一种求解鞍点问题的预处理并行算法

研究了一种求解鞍点问题的并行预处理变形共轭梯度算法.通过应用迭代法进行预处理后,再采用变形共轭梯度求解的模式.首先构造系数矩阵近似逆的多项式表达式,以此作为预处理矩阵的逆矩阵,对方程组进行预处理;然后采用变形共轭梯度法并行求解预处理后的线性方程组.为减少运算量,采用迭代方式并行计算多项式与向量的乘法运算.通过调整迭代次数,即调整多项式次数,检验各种次数的多项式进行预处理后的求解方程的效果.数值试验结果表明,该算法明显优于未预处理的变形共轭梯度法,且当预处理迭代次数取4时效果最好.     

一类特殊矩阵方程的并行预处理变形共轭梯度算法

研究了求解一类矩阵方程AXB=C,提出了一种并行预处理变形共轭梯度法．该方法给出一种迭代法的预处理模式．首先给出的预处理矩阵是严格对角占优矩阵,构造并行迭代求解预处理矩阵方程的迭代格式,进而使用变形共轭梯度法并行求解．通过数值试验,预处理变形共轭梯度法与直接使用变形共轭梯度法相比较,该算法不仅有效提高了收敛速度,而且具有很高的并行性．     

解线性互补问题的预处理加速模Gauss-Seidel迭代方法

本文提出了解线性互补问题的预处理加速模系Gauss-Seidel迭代方法,当线性互补问题的系统矩阵是M-矩阵时证明了方法的收敛性,并给出了该预处理方法关于原方法的一个比较定理.数值实验显示该预处理迭代方法明显加速了原方法的收敛.     

基于自适应遗传算法的逐次超松驰迭代法

确定逐次超松驰迭代法中的最佳松驰因子,迄今,人们还没有给出一可行实用的方法.利用自适应遗传算法全局搜索性能、并行性及其遗传操作,构造出近似确定最佳松驰因子的一种自适应进化方法,并由此得到一近似确定ω功能的自适应逐次超松驰迭代算法.数值算例表明,该算法在求解线性方程组中是可行的,实用和快捷的.     

解不可压缩Navier-Stokes方程的非精确块因子分解预处理子

针对相关于不可压缩Navier-Stokes方程数值求解的一类3×3块结构的线性方程组,基于线性方程组的等价形式,构造了一个非精确的块因子分解预处理子,在新的特征值等价矩阵形式的基础上,得到了预处理矩阵特征值实部和虚部的上下界估计.数值实验表明,与已有的预处理子相比,所构造的预处理子可以使得GMRES迭代方法对网格尺寸,网格形式以及粘度系数的依赖性都比较弱,且在迭代步数和CPU时间上都占优.     

求解地震波反演问题的一类预处理共轭梯度方法

地质勘探中的全波形反演模型可以转化为一个求解带微分方程约束的最小二乘问题,这类模型通过扩大了搜索区域,减少了变量的储存,提高了计算效率.基于上述模型,采用有限差分方法离散Helmholtz方程,提出一类预处理共轭梯度法求解地震波场,并交替更新地层信息.数值实验中测试和比较了对角预处理、Gauss-Seidel预处理和不完全LU分解三种预处理方法,实验结果表明这类预处理方法应用到共轭梯度法中能够减少迭代步数、改善实验精度,加快反演迭代效率.     

一种新型压缩预处理CGS算法

CGS算法是求解大型非对称线性方程组的常用算法，然而该算法无极小残差性质，因此它常因出现较大的中间剩余向量而出现典型的不规则收敛行为．本根据IRA方法提出了一种压缩预处理CGS方法，数值实验表明这种算法在一定程度上减小了迭代算法在收敛过程中的剩余问题，从而使得算法具有更好的稳定性，该法构造简单，减少了收敛次数，加快了收敛速度．     

几乎各向同性的高维空间分数阶扩散方程的分块快速正则Hermite分裂预处理方法

一类空间分数阶扩散方程经过有限差分离散后所得到的离散线性方程组的系数矩阵是两个对角矩阵与Toeplitz型矩阵的乘积之和.在本文中,对于几乎各向同性的二维或三维空间分数阶扩散方程的离散线性方程组,采用预处理Krylov子空间迭代方法,我们利用其系数矩阵的特殊结构和具体性质构造了一类分块快速正则Hermite分裂预处理子.通过理论分析,我们证明了所对应的预处理矩阵的特征值大部分都聚集于1的附近.数值实验也表明,这类分块快速正则Hermite分裂预处理子可以明显地加快广义极小残量(GMRES)方法和稳定化的双共轭梯度(BiCGSTAB)方法等Krylov子空间迭代方法的收敛速度.     

一类耦合的有限元-边界元变分不等式的预条件子

本文主要研究一类Signorini 接触条件的非线性传输问题. 这类问题可以用耦合的有限元- 边界元变分不等式来描述. 我们首先提出一种求解变分不等式的预处理梯度投影法. 然后对离散系统构造了有效的区域分解预条件子. 该预条件子能够使耦合的不等式问题分解成等式问题和小规模的不等式问题, 并且这些问题可以并行求解. 最后我们详细研究了该迭代方法的收敛性.     

求解非线性方程的加权迭代方法

提出加速迭代收敛的新思想,构造出一类加权迭代格式.通过选取最优加权因子使得该迭代格式具有较小的渐近误差常数,且至少具有原有迭代格式的收敛阶,数值例子表明该方法具有较快的收敛速度.     

强非线性波动方程孤子行波解

研究了一个强非线性波动方程.利用泛函分析变分迭代方法，首先构造了一个变分, 求出相应的Lagrange乘子；其次构造一个解的变分迭代, 选取初始孤子波；最后利用迭代方法依次求出各次孤子波的近似解.该方法是一个简单可行的近似求解非线性方程的方法     

一类耦合的有限元-边界元变分不等式的预条件子 谨以此文致《中国科学》创刊六十周年

本文主要研究一类Signorini接触条件的非线性传输问题.这类问题可以用耦合的有限元-边界元变分不等式来描述.我们首先提出一种求解变分不等式的预处理梯度投影法.然后对离散系统构造了有效的区域分解预条件子.该预条件子能够使耦合的不等式问题分解成等式问题和小规模的不等式问题,并且这些问题可以并行求解.最后我们详细研究了该迭代方法的收敛性.     

自适应Fuzzy系统及其逼近性能分析

本文提出了一种新的Fuzzy推理方法——自适应Fuzzy推理方法,基于该方法构造了自适应Fuzzy系统,证明了该系统不但具有泛逼近性,而且具有光滑性.基于该方法也得到了一种构造Fuzzy系统推理前件Fuzzy集的方法.使用该前件,CRI方法也具有光滑性,这使得CRI方法具有更广泛的意义.     

基于Kleinman迭代算法的非线性系统自适应控制器设计北大核心CSCD

应用Kleinman迭代算法,研究了一类非线性系统的在线自适应控制器设计问题.基于神经网络线性微分包含技术,对此类非线性系统进行建模描述.并在不利用系统后续参数矩阵的情况下,应用Kleinman迭代算法进行反复迭代,求解系统的Riccati方程.进而设计系统的自适应控制器,并证明了该算法的收敛性.最后通过数值仿真验证了该算法的可行性.     

非埃尔米特正定线性系统的m步预处理的斜埃尔米特和反埃尔米特分裂方法（英文）

进一步研究了非埃尔米特正定线性系统的斜埃尔米特和反埃尔米特迭代方法,并在预处理的斜埃尔米特和反埃尔米特迭代方法的基础上,引入了m步多项式预处理子,证明了预处理的斜埃尔米特和反埃尔米特迭代方法在一定条件下是收敛的,而且得到了预处理的斜埃尔米特和反埃尔米特迭代方法的收缩因子.通过数值例子说明,对于非埃尔米特正定线性系统m步的预处理有效地加速了Krylov子空间方法,例如GMRES.     

求解Hilbert矩阵线性方程组的SOR迭代预处理方法

选择了求解Hilbert矩阵线性方程组的三种数值解方法,提出了SOR迭代中的松弛因子的预处理方法,比较了高斯-赛德尔迭代和SOR迭代数值解的迭代收敛次数,并给出了SOR迭代收敛最快时的松弛因子取值.最后通过SOR迭代解分量及误差范围,说明了提出的SOR迭代预处理方法是有效的.     

关于鞍点问题的预处理HSS-SOR交替分裂迭代方法

为了高效地求解大型稀疏鞍点问题,在白中治,Golub和潘建瑜提出的预处理对称/反对称分裂(PHss)迭代法的基础上,通过结合SOR-like迭代格式对原有迭代算法进行加速,提出了一种预处理HSS-SOR交替分裂迭代方法,并研究了该算法的收敛性.数值例子表明:通过参数值的选择,新算法比SOR-like和PHSS算法都具有更快的收敛速度和更少的迭代次数,选择了合适的参数值后,可以提高算法的收敛效率.     

基于Kleinman迭代算法的非线性系统自适应控制器设计

应用Kleinman迭代算法,研究了一类非线性系统的在线自适应控制器设计问题.基于神经网络线性微分包含技术,对此类非线性系统进行建模描述.并在不利用系统后续参数矩阵的情况下,应用Kleinman迭代算法进行反复迭代,求解系统的Riccati方程.进而设计系统的自适应控制器,并证明了该算法的收敛性.最后通过数值仿真验证了该算法的可行性.     

改进的预处理共轭斜量法及其在工程有限元分析中的应用

本文就预处理共轭斜量法(PCCG法)给出了两个具有理论和实际意义的定理,它们分别讨论了迭代解的定性性质和迭代矩阵的构造原则.作者提出了新的非M-矩阵的不完全LU分解技术和迭代矩阵的构造方法.用此改进的PCCG法,对病态问题和大型三维有限元问题进行了计算并与其他方法作了对比,分析了PCCG法在求解病态方程组时的反常现象.计算结果表明本文建议的方法是求解大型有限元方程组和病态方程组的一种十分有效的方法.     

纵向数据半参数建模中的迭代加权偏样条最小二乘估计

考虑了纵向数据半参数建模中的估计问题, 提出了参数分量的一个迭代加权偏样条最小二乘估计. 在渐近方差意义下该估计比加权偏样条最小二乘估计更加有效, 且具有渐近正态性. 另外, 给出了一个自适应方法, 该方法能保证经过有限次迭代后, 迭代过程会终止, 并且产生的估计渐近等价于使用迭代方法所能产生的最好的估计, 这些结果是Chen和Shao的结果在半参数回归上的推广.