Schwarz混乱松弛法(S-COR)及同步和异步并行算法

早在1985年,[1]就把Schwarz交替法推广到任意多个子区域分解情形,并且提出了带松弛因子ω的S-COR算法.就一般的二阶自共轭椭圆问题而言,[1]断言:当ω∈(0,2)时,S-COR算法收敛,并在[1]和[2]中给出了收敛性证明.但在证明中有几处不严密的论证.本文利用Lions的理论给出一个收敛性证明,并提出几个同步和异步并行算法.其收敛性可由S-COR算法的收敛性导出.     

Schwarz混乱松弛法(S-COR)及同步和异步并行算法

早在1985年,[1]就把Schwarz交替法推广到任意多个子区域分解情形,并且提出了带松弛因子ω的S-COR算法.就一般的二阶自共轭椭圆问题而言,[1]断言:当ω∈(0,2)时,S-COR算法收敛,并在[1]和[2]中给出了收敛性证明.但在证明中有几处不严密的论证.本文利用Lions的理论给出一个收敛性证明,并提出几个同步和异步并行算法.其收敛性可由S-COR算法的收敛性导出.     

基于锥模型的一般信赖域算法收敛性分析

本文给出了锥模型信赖域算法的一般模型，它不仅包含通常的信赖域算法一相当于锥模型算法中bk＝0的情形，而且文献[1]的算法也可看作其子类．我们研究这个模型的较强的全局收敛性，并讨论保证算法具有超线性收敛速率的条件，从而推广了文[1]和文[4]中的若干结果．     

带阈值的模糊感知器的收敛性

1 前言各种神经网络被广泛用来解决有导师分类问题．对于模糊感知器,文献[1]提出一种新的训练算法,并证明当样本可分时,该算法有限收敛．文献[2]在模糊神经元中加入阈值 v∈[0,1]．对某些模糊神经网络学习算法如FBP(见文献[3]),阈值在收敛性证明中起着重要的作用．那么,在模糊感知器中加入阈值是否还能得到算法的收敛性?本文将对这个问题进行讨论．     

NOD随机变量阵列加权乘积和的强极限定理

本文研究了行为NOD随机变量阵列加权乘积和的完全收敛性和强稳定性,推广和改进了文献[1]和[2]在NA情形时的结果以及[4]在独立同分布情形时的结果.     

关于单降点到集映象族一般算法收敛性条件的改进

[1]给出了两个单降点到集映象簇的一般算法。在比[1]较弱的条件下,我们证明了算法的收敛性。对一般的点到集映象簇,我们定义了两个算法。在较弱的条件下,也证明了算法的收敛性。     

一族非线性约束条件下的摄动梯度投影法

对问题(P),堵丁柱改变了以往的做法,利用对约束切空间的摄动技巧,给出了一个收敛的梯度投影方法.本文推广了[1]中方法,给出了一个更一般的收敛算法,它无需[1]中对约束函数的凸性假设,也不须多次求投影梯度.本文中算法的收敛性证明是建立在[3]中引理10.2.6的简单推广得到的引理3的基础上的.本文引理3减弱了引理10.2.6中的条件3,因而更具实用性.可以简化许多算法的收敛性证明.     

矩阵分裂的单调收敛性

本文在非负矩阵分裂条件下证明了迭代算法(3)的单调收敛性,它不仅推广了[1]～[5]中的相应结果,而且在比[7]中定理较弱的条件下,得到了广义AOR迭代法的单调收敛性。本文最后还给出了一个数值例子。     

非线性约束条件下的梯度投影—可行方向法

§1 引言对于约束条件为非线性的算法而言,具有收敛性的算法是不多的(参见[9])。1971年在[3]中,E.Polak提出了一个关于非线性约束的梯度投影-可行方向法,并证明了收敛性。1981年,章祥荪在[6]中又对E.Polak方法进行了改进。1985年堵丁柱在[7]工中对特定的非精确线搜索给出了一种具有收敛性的关于非线性约束的梯度投影-可行方向法。这些方法较以前那种先对切面做梯度投影,然后再拉回到可行域的传统梯度投影法(参见[2])具有了     

点到集映象族与最优化算法

1.引言文献[1]和[2]分别考虑了单降和单增点到集映象族,给出了由单降和单增点到集映象族定义的一些最优化的一般算法,并在适当的条件下证明了这些算法的收敛性.本文用一般的点到集映象族定义这些算法,改进了[1]和[2]中的某些假设,在较弱的条件下证明了这些算法的收敛性.特别,我们不需要点到集映象族的单降或单增性,以及[1]中假设     

横肋管内流场的计算方法

利用Usawa-惩罚算法,本文计算了横肋管内的流场。其主要思想是将Usawa算法与惩罚算法相结合(参见[5]),以改进Usawa算法的收敛性。该方法在步长因子的选取上比Usawa算法有更大的余地。我们利用此方法得到的结果与文献[4]中给出结果符合很好。同时,本文讨论了Usawa-惩罚算法的收敛性条件,并讨论原问题的解的存在性和唯一性。一、引言横肋管在工业上广泛用于换热管,以强化传热,这种管内流场的计算,对了解传热强化的机理,改进设计方法有重要意义,因而引起研究者的重视[1]～[4],但还缺乏较好的计算方法。我们在本文中将[5]中的Usawa算法与惩罚算法相结合,以改进Usawa算法的收敛性。同时,我们对该算法的收敛性条件作了研究,从而在理论上证明了横肋管内     

求解HJB方程的区域分解法

本文提出了求解HJB方程的一种区域分解法,并证明了算法的收敛性,这种算法将[3]提出的两子域区域分解法推广到多子域的情形.     

单障碍问题区域分解法的单调收敛性与收敛速度估计

本文我们考虑一类典型的椭圆型算子的障碍问题的区域分解算法,分析算法的单调收敛性并给出相应的收敛速度估计.障碍问题有着重要的物理背景（参见[3,9]）.近些年来,有关障碍问题的区域分解法方面的研究已经有一些成果.关于线性算子情形,读者可参看[1,2,5,7,8,10,12,13,14,15,17]等文献,而对于非线性算子情形,读者可参看[4,6,16,18].在这些文献中,已经有部分涉及到算法的收敛速度估计.例如,文[15,16]给出了有限元区域分解算法的迭代误差的渐近最大模估计,文[13]给出了求解具M-阵的有限维互补问题     

关于补几何规划算法收敛性的注记

文[1]提出了标准形式的补几何规划(SOGF)的一个算法,并在某种假定下证明了算法的收敛性.文[3]在一个大大减弱了的条件下证明了算法的收敛性,其中的一个主要定理是证明了标准形式的补几何规划的K-T点和一     

非线性最优化的抽象算法模型及非闭性收敛条件的研究(下)

本文叙述了具有单调性的最优化算法的若干重要的收敛性条件,包括这方面最近的新成果,并且证明了新的收敛性条件比文献中已有的条件要严格地弱;其次讨论了常见的可行点算法类的一致可行性收敛条件,证明了本文介绍的新的收敛性条件比一致可行性收敛条件要弱。 1.单调最优化算法的全局收敛性大多数具体的最优化算法是单调算法,即对应于迭代点列{x_i}的某一函数f(目标函数或特定的另一函数)的值{f(x_i)}是单调数列,所以文献中对于单调的抽象算法模型的全局收敛性研究很多。Zangwill提出的第一个抽象算法和相应的收敛性条件就是关于单调算法的。对于这类算法,函数值{f(x_i)}的单调性与算法的全局收敛性有密切关系。一般而言,单调算法的收敛性条件比较简单些,见文献以[1～6],[8～15]。在文献[12]中,     

一个无正则条件下一般约束最优化问题的信赖域算法的收敛性

本文我们对[1]的算法给出一个修正并在无正则条件下对这一算法给出了收敛性分析，与[1]不同，我们不需要(SBSQ)约束条件。因此本文的结果是[1]的结果的推广和加强。     

尺度变换和矩阵分解的收敛性

§1.引言 在[1]中尺度变换的基础上,本文讨论了最优尺度矩阵的情形,并利用[2]的结果,提出了证明矩阵分解收敛性的一种新方法.这个方法简单易行,用它可以证明和推广许多矩阵分解的收敛性.例如,[3]-[9]中的矩阵分解,大大简化了那里的证明步骤.     

无约束非光滑优化问题信赖域算法的收敛条件

1 引言 考虑下列无约束非光滑优化问题 minf(x),(1) x∈R~n,其中f为R~n上的局部Lipschitz函数,本文将‖·‖_2简记为‖·‖.记下列信赖域子问题为S∪B(x,△). min m(x,s)=φ(x,s)+1/2s~TBs, 其中φ:R~(2m)→R为f的迭代函数。 对于无约束非光滑优化问题(1),[11],[13],[3]、[4]和[5]分别在特殊的条件下给出了信赖域算法用以求解(1)的收敛性结果。最近,[10]、[2]和[6]在不同的假设条件下分别给出了信赖域算法求解无约束非光滑优化问题的一般模型,并在子问题的目标函数满足局部一致有界性条件时证明了算法模型的整体收敛性。在目标函数满足某种正则性条件时,[11]和[9]给出了当信赖域子问题的目标函数中二次项不满足一致有界性条件时的收敛性结果.本文则在目标函数仅为局部Lipschitz函数时得到了和[8]、[11]、[9]相同的收敛性结果。     

带约束不可微凸规划的一个次梯度可行方向法

本文提出了一种计算带约束不可微凸规划问题的算法。这是一种利用有关函数的次梯度的可行方向法,它也可以作为[2]中给出的无约束bundle方法在带有不可微凸的约束情形下的推广。本文给出了算法收敛性的证明。对于求解本算法中所用到的计算多面体凸锥与凸多面体间最短距离这个子问题,也给出了一个收敛性得以保证的方法。     

一类三次插值样条的余项估计

当p=α=1时,s(f,x)是通常的三次Hermite插值样条.[2,3]中的插值样条部是上述的特殊情形,本文给出了上述一般插值样条的较精确的逼近度,从中可见[2,3]中的插值样条正好都处在收敛性的临界情形.我们在讨论中利用了王兴华的基本工