逐次超松弛迭代中的松弛因子

基于线性方程组中逐次超松弛(SOR)迭代结构的认识,多角度地考虑迭代构造的松弛因子,即作为修正常数、加权系数、组合系数和变形系数的松弛因子.这样多方面的理解必然有利于SOR类方法的更灵活掌握与运用.     

关于USSOR迭代法收敛的充要条件和最佳松弛因子

本文在线性方程组系数矩阵A为相容次序矩阵及A的Jacobi迭代矩阵的特征值μj均为实数的条件下,得出了USSOR迭代法收敛的充分必要性定理.并给出了USSOR迭代矩阵之谱半径ρ(ψω,-ω)的表达式及ρ(ψω,-ω)的最佳松弛因子.     

数值积分的可选择误差界(英文)

Similar to having done for the mid-point and trapezoid quadrature rules,we obtain alternative estimations of error bounds for the Simpson＇s quadrature rule involving n-time（1 ≤ n ≤ 4） differentiable mappings and then to the estimations of error bounds for the adaptive Simpson＇s quadrature rule.     

关于非Hermitian正定线性代数方程组的超松弛HSS方法

本文针对求解大型稀疏非Hermitian正定线性方程组的HSS迭代方法,利用迭代法的松弛技术进行加速,提出了一种具有三个参数的超松弛HSS方法(SAHSS)和不精确的SAHSS方法(ISAHSS),它采用CG和一些Krylov子空间方法作为其内部过程,并研究了SAHSS和ISAHSS方法的收敛性.数值例子验证了新方法的有效性.     

关于近似广义极因子的误差界

设A是m×n阶复矩阵,分解式A=QH称为A的广义极分解,如果Q是m×n阶次酉短阵和H是n×n半正定的Hermite矩阵．本文给出了广义极分解的一些性质和推广了有关近似极因子的相关结论．     

样条插值的最优误差界和宽度问题(Ⅰ)

我们在 J 及 J~2中分别定义偏序如下:设,Γ_1.Γ_2∈J,若γ_i(1)≤γ_i(2),i=1,…,m;则称Γ_1≤Γ_2.当上式中全部成立等号时,记Γ_1=Γ_2,否则,记Γ_1<Γ_2.设(Γ_1,(?)_1)、(Γ_2,(?)_2)∈J~2,若Γ_1≤Γ_2及(?)_1≤(?)_2同时成立,则记(Γ_1,(?)_1)≤(Γ_2,(?)_2).当上两式均为等式时,就记(Γ_1,(?)_1)=(Γ_2,(?)_2),否则记(Γ_1,(?)_1)(?)(Γ_1,(?)_2).今后,我们还令:     

非线性方程组超松弛投影方法的收敛性

设有非线性方程组U(x)=0,V(x)=0 (x∈R~2)我们证明了下列超松弛投影迭代格式z_n=x_n-μ(U(x_n))/(‖▽U(x_n)‖~2)▽U(x_n)),x_(n 1)=z_n-v(V(z_n))/(‖▽V(z_n)‖~2)▽V(z_n),0<μ,v<2,n=0,1,2,……具有几何收敛速度.     

多集分裂等式问题的逐次松弛投影算法

多集分裂等式问题是分裂可行性问题的拓展问题,在图像重建、语言处理、地震探测等实际问题中具有广泛的应用.为了解决这个问题,提出了逐次松弛投影算法,设计了变化的步长,使其充分利用当前迭代点的信息且不需要算子范数的计算,证明了算法的弱收敛性.数值算例验证了算法在迭代次数与运行时间等方面的优越性.     

关于位移线性方程组的加速超松弛迭代算法

本文研究关于系数矩阵为位移埃尔米特和位移反埃尔米特矩阵的复线性方程组的简便而有效的分裂迭代算法及其收敛性质.由于复系数线性方程组的系数矩阵由实部和虚部组成,运用松弛加速技术,我们得到了求解位移线性方程组的加速超松弛迭代算法,并分析了这类算法的收敛性质.数值算例表明,这类加速超松弛迭代算法是可行且有效的.     

关于超松弛迭代法收敛的一个判别准则

本文将[1]中给出的判别Gauss-Seidel迭代的一个收敛性准则推广到一般的超松弛迭代法。     

关于高次多项式插值样条的最优误差界

设记称为f(x)的(Γ,)型(2m—1)次插值样条,如果类似地称为f(x)的型2m次插值样条,如果1.本文讨论了不同的(Γ,)型插值误差界间的内在联系,得出了等距分划下任意次插值样条的最优误差界,主要结果是: 定理1.设N≥2m—1,f∈C^2m[0,1],则当γ_j,≤2j,θ_j≤2j时 定理3.设N≥2m,f∈C^2m+1[0,1],则当γ_j,≤2j—1,θ_j,≤2j-1时,其中E_k是第K个Euler数。     

关于三次插值样条的最佳误差界

<正> 设△_n:0=x_o相似文献   

USSOR迭代方法的收敛和发散区域

1 引言 对线性方程组 Ax=b, (1.1)这里A∈C~(n×n)是一个具有非零对角元的非奇异复矩阵,b∈C~n为n维向量,我们考虑A的如下分裂: A=D(I-L-U), (1.2)这里D=diag(A),L和U是D~(-1)A的严格下和严格上三角部分,表示单位矩阵. 不对称的逐次超松驰迭代方法(USSOR)[7]是按如下格式产生的迭代:     

集包含的误差界

建立了赋范空间中的一种Robinson-Ursescu型定理. 获得了一些凸包含的误差界定理, 特别地在更弱的条件下证明Li-Singer猜想. 还研究了扰动误差界. 作为应用, 同时研究了凸不等式系统的误差界.     

关于ε不敏感损失函数推广误差的界

本文研究了学习理论中推广误差的界的问题.利用ε不敏感损失函数的性质,分别获得r逼近误差和估计(样本)误差的界,并在特定的假设空间上得到了学习算法推广误差的界.     

关于Schwarz交替法的拟边界松弛方法

§1.松弛方法 我们讨论二阶自共轭椭圆型方程的Dirichlet问题.设Ω?R~2为一多边形区域. a(u,v)=(f,v),v∈H_0~1(Ω),f∈H~(-1)(Ω), u∈H_0~1(Ω)是定义在其上的边值问题的变分形式,这里取齐次边界条件仅为叙述问题方便.双线性型a(·,·)满足:     

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.     

关于B-Nekrasov矩阵线性互补问题最优误差界的注记

研究了B-Nekrasov矩阵线性互补问题的含有参数误差界的最优值问题,利用函数的单调性,在_0_(i_1)···_n···_(i_(n-1))≥0且0_n1的情况下,得到了该误差界的最优值.