一类线性约束极大极小问题的算法及其收敛性

§1 引言考虑非线性规划问题 (P) (?)f(x)其中R是n维欧氏空间E~n中的非空多面体,f(x)=sum from j=1 to l f_j(x),而 f_j(x)=(?){β_(ij)(x)},j=1,2,…,l I_j为有限指标集,β_(ij)(·)是E~n上的连续可微函数,x∈E~n。通常(P)是一个不可微规划。最近,文[1]提出了形如f(x)的函数的伪方向导数的概念,并给出了一个解问题(P)的算法,在β_(ij)(·)为上一致可微的条件下证明了算法的收敛性。     

预给二面角的单形嵌入E~n的充分必要条件的一个应用

本文利用预给二面角的单形嵌入 E~n 的充分必要条件,得到如下的定理 设 T 为 E~n 中的一个单形,它的任意两个侧面 f(?),f_j 所成的内角为(?)=θ_(ij)(1≤i相似文献   

退缩椭圆型方程的边值问题

<正> 在 R~n 的有界凸区域Ω上考虑椭圆型方程Lu≡sum from i,j=1 to n (a_(ij)(x)u_(xi)_(xj)+sum from i=1 to n b_i(x)u_i+c(x)u=f(x),(1)设对 x∈(?)及所有的实数组(ξ_1,ξ_2,…,ξ_n)sum from i,j=1 to n a_(ij)(x)ξ_iξ_j≥λ(x)sum from i=1 to n ξ_i~2≥0,a_(ji)(x)∈C(?),即算子 L(u)可能退缩而为退缩椭圆型算子。记(?)的边界为∑,∑上满足 sum from ij=1 to n a_(ij)n_in_j=0的点集为∑_0,(n_1,…,n_n)表示∑上的内单位法向量,∑_3=∑\∑_0,设其 n-1维测度非零,则对方程(1)可提如下的边值问题:     

简单分歧数值解的L_p估计

§1.问题的提出 考虑单参数二阶椭圆拟线性微分方程:λ∈R,Ω?R~N(N=1,2)是多角形凸域(要求?Ω是Lipschitz连续的)或光滑域.[a_(ij)]∈C~1满足正定条件.f(x,y)∈C~2f(x,0)≡0,f_y(x,θ)≥0,但f_y(x,0)?0,?x∈Ω.记||·||_(j,p,Ω),p≥1,j=0,1,2为通常的W~(j,p)(Ω)范.H_0~1?W_0~(1,2),(·,·)为H_0~j中通     

简单分歧数值解的L_p估计

§1.问题的提出 考虑单参数二阶椭圆拟线性微分方程:λ∈R,Ω?R~N(N=1,2)是多角形凸域(要求?Ω是Lipschitz连续的)或光滑域.[a_(ij)]∈C~1满足正定条件.f(x,y)∈C~2f(x,0)≡0,f_y(x,θ)≥0,但f_y(x,0)?0,?x∈Ω.记||·||_(j,p,Ω),p≥1,j=0,1,2为通常的W~(j,p)(Ω)范.H_0~1?W_0~(1,2),(·,·)为H_0~j中通     

惩罚函数法

引言非线性规划问题大致可分为两类:一类是无约束最优化问题:极小化f(x),x=(x_1,…,x_n)~T∈E~n;(0.1)另一类是约束最优化问题:极小化f(x),x=(x_1,…,x_n)~T∈E~n;约束g_j(x)≤0,j=1,…,m;(0.2)h_k(x)=0,k=1,…,l。     

椭圆型方程伪域方法的外推计算

在n维空间的有界区域Ω_1上考虑微分方程相应的边界条件是 u(x)=0,x∈?Ω_1。 (1.2)在以下的讨论中,假设对问题(1.1)和(1.2)下述条件成立: (i)所有的α_(ij)(x)在区域Ω_1上一致Lipschtz连续,且α_(ij)(x)=α_(ji)(x),i,j=1,     

多元线性模型D—最优设计等价性定理的一个统计直观解释

<正> 对于多元线性模型:其中θ=θ(_1,θ_2,…θ_m)~T,Y=(Y_1,Y_2,…Y_k)~T,F(x)=(f(ij)(x)),∑(x)=(σ_(ij)(x)),设所有试验点组成的集合是x,F(x)和∑(x)是x上的已知函数。在x_1,x_2,…x_n∈x上进行了n次     

非线性约束条件下梯度投影法的一个统一途径

对于问题(P),我们作如下假设: (H1):g_j(x)(j=1,…,m)为一阶连续可微凸函数.f(x)为一阶连续可微函数. (H2):x∈R={x|x∈E~n,g_j(x)≤0,j=1,…,m}:{g_j(x)|j∈J_J(x)}为线性无关向量组.其中J_0(x)={j|g_j(x)=0}. 自Rosen的梯度投影法产生以来,国内外流行的求解(P)的梯度投影法都是先对切面做投影,然后拉回可行域,目的是保证所取得的搜索方向为可行下降方向.1985年     

带有限位势的非线性Schrdinger方程组的无穷多变号解

本文考虑非线性Schrdinger方程组-?u j+λj(x)u j=k i=1β_(ij) u_i~2 u_j,x∈R~N,u_j(x)→0,当|x|→∞时,j=1,...,k,其中N=2,3,β_(ij)是常数,满足β_(jj)0(j=1,...,k),β_(ij)=β_(ji)0(1≤ij≤k),λ_j(j=1,...,k)是位势函数.首先考虑带强制位势的方程组,利用流不变集方法证明带强制位势的方程组有无穷多变号解;然后在位势λ_j具有一定渐近性质(见正文(V_1)–(V_4))时,通过集中紧性分析,证明带强制位势扰动方程组的解趋于原来有限位势的方程组的解,从而证明原方程组有无穷多变号解.     

一种方式分组随机模型中估计方差分量的最小风险设计

§1.引言一种方式分组随机模型:y_(ij)=β α_i ε_(ij),i=1,…,n,j=1,…,m_i,(1.1)其中 ε_(ij)(i=1,…,n,j=1,…,m_i)是相互独立的随机误差,α_i(i=1,…,n)是独立的随机变量.Eα_i=Eε_(ij)=0,varε_(ij)=θ_1>0,varα_i=θ_2≥0,cov(α_i,ε_(ij))=0.β、θ_1、θ_2是未知参数,β∈R~1,(θ_1,θ_2)~T∈Θ(?){θ_1>0,θ_2≥0}.     

相依误差下回归系数 LS 估计的收敛速度

其中 x(ij)(j=1,…,p,i=1,2,…)是已知常数,常称之为模型(1)的设计常数或设计点列,β_1,…,β_p,为未知的回归系数,y_i,e_i 分别为第 i 次量测时的量测值和量测随机误差。以下,我们记设计矩阵(x_(ij))(?)≤(?)≤n,(?)≤j p 为 X_n,Y_n=(y_1,…,y_n)′,β=(β_1,…,β_p)′.并假定对某N,X′_N X_N 非退化,那么当 n≥N 时,X′_n X_n 亦非退化,且回归系数β的基于前 n 次量测值 Y_(?)及设计矩阵 X_(?)的最小二乘估计(通常简记为 LS 估计) b_(?)=(b_(?)1, …,b_((?)p)'为     

非线性约束凸规划的一个解法及其收敛性

引言 我们讨论如下的非线性约束的数学规划问题(P): 假定f(x)=f(x_1,x_2,…x_n),x=(x_1,x_2,…x_n)~T∈E~n,是一阶连续可微的凸函数,g_j(x)=g_j(x_1,x_2,…x_n)是一阶连续可做的凹函数。对约束集合R,我们作如下假定:对任一x∈R,存在β>0,使得对应于指标集J_β(x)={j|g_j(x)≤β}的指标j,     

非线性灰色时滞离散系统的稳定性

的零解的稳定性,其中k∈Z(Z为全体整数之集),l为一确定的自然数;x∈R~n,f:Z×C→R~n,C为所有从{-1,-1 1,…,0}到R~n的映射组成的集合,x_k∈C,x_k=x_k(r)=x(k r)(r=-l,-l 1,…,0);A((×))=(α_(ij)((×)))及A_k((×))=(α_(ij)~(h)((×)))(h=1,2,…,l)为n×n矩阵,它们的元素不确知,只知其上、下界,即     

一个数值微分公式的余项(Ⅱ)

设a_0,a_1,…,a_n是实轴或复平面上任意n 1个点。记 ω_(j 1)(x)=multiply from v=0 to j(x-a_v)(j=0,1,…,n),ω_0(x)=1。 (1)以H_n(x)表示以a_0,…,a_n为节点的n次插值多项式, R_n(x)=f(x)-H_n(x)。 (2)对任意k=0,1,…,n关于R_n~((k))(x)用f限定阶数的差商(或导数)来表示的问题,我们在[1]中证明了等式     

矩形上的Bernstein多项式的逼近阶

1己1.当上.J二二J设j(动是定义在汇0,l]区间上的函数,与它相联系的Bernstein多项式为“·(‘;小一‘t0j(分:(x)(1 .1)这儿人们熟知(例如见〔1]) 当f任C[0,1]时,了:闭:一(冷‘(卜劝卜‘·,用B,(f)来逼近函数f有如下结果:一l厂一刀。(厂)l!_一。(。(。一去))当,任e‘ro,1]时,i一了一刀二(了)11一。(n一告二(了,,,一专)) 当f任CZ[0,1]时,}!f一B,(f){}。=O(n一‘)1981年,H.H.Gonska(见〔2〕,〔3了)证明了(1 .2)(1 .3)(1 .4)24第五卷 }1了一刀。(j)一l一镇3 .2502(f;,一香)n一朴是二阶的平滑模。(l .5)包含了(l .2)一(l.刃的结果。(1 .5)这…     

HIGHER C0MMUTATORS OF PSEUDODIFFERENTIAL OPERATORS

In this paper the following result is established: For a_i, f∈(R~K), i=1, …, n, and T (a, f) (x)=ω(x, D)(multiply from i=1 to n P_(mi)(a_i, x, ·)f(·)),it holds that ‖T(a, f)‖_q≤C‖f‖_(po) multiply from i=1 to n ~m_ia_i‖_(p_4),where a=(a_1, …, a_n), q~(-1)=p_0~(-1)+ sum from i=1 to n p_i~(-1)∈(O, 1), p_i∈(1, ∞)or i, p_i=∞, p_0∈(1, ∞),for an integer m_i≥0, P_(m_1)(a_i, x, y)=a_i(x)-∑ |β|相似文献   

五次缺插值样条的渐近性态

f(x)定义于[0,1]。将[0,1]n等分,记x_j=jh,j=0,…,n.h=1/n,且 f~(α)(x_j)=f_j~(α),j=0,…,n;α=0,1,…,5。 A.Meir和A.Sharma提出五次缺插值样条函数,即满足下面条件的函数s_n(x): (i)s_n(x)∈C~3[0,1], (ii)在区间[x_j,x_(j 1)]上(j=0,…,n-1),s_n(x)是五次多项式, (iii)s_n(x_j)=f_j,s″_n(x_j)=f″_j,j=0,…,n, (iv)s′_n(0)=f′_0,s′_n(1)=f′_n。 (1) [1]还考虑了把(1)中的(iv)换成 (iv′)s′′′_n(0)=f′′′_0,s′′′_n(1)=f′′′_n (2)的五次样条。为叙述方便,我们分别称之为(Ⅰ)型、(Ⅱ)型缺插值样条。[1]证明了(Ⅰ),(Ⅱ)型插值样条在n为奇数时是唯一存在的。[2,3,4]继续了这方面的工作,得到了一     

相依误差下回归系数LS估计的强相合性

考虑多元线性回归模型其中x_(ij)(j=1,…,p;i=1,2,…)是已知常数,常称之为模型(1)的设计常数或设计点列,β_1,…,β_p为未知的回归系数,y_i,e_t分别为第i次量测时的量测值和量测随机误差。以下,我们记设计矩阵(x_(ij))_(1≤i≤n,1≤j≤p为X_n,并令     

具有多项式增长的散度型拟线性弱椭圆方程组

本文讨论散度型拟线性弱椭圆方程组D_β[a_(ij)~(αβ)(x,u,▽u)D_αu~i+b_j~β(x,u,▽u)]+f_j(x,u,▽u)=0 1≤j≤N.在b_j~β(x,z,p),f_j(x,z,p)关于P,z具有任意多项式增长的假设下,利用拟线性Hlder不等式和迭代技巧,得到了弱椭圆方程组Dirichlet问题解的最大模一致估计。