简单补偿随机线性规划的对偶并行算法

一、引言随机线性规划中,具有简单补偿的二阶段问题是(?){c~Tx E(?)q~Ty|Wy=b(ω)-AX,y≥0}(A)其中 c 是 n 维常向量,q=(q~ /q~-)是2m 维常向量,且(?)=q~ q~-≥0,A 是 m×n 常矩阵,W=((?),I),I 是 m×m 单位矩阵,b(ω)=(b_1(ω),…,b_m(ω))~T 是 m 维随机向量,它的边沿分布函数为 F_b(τ)=(F_1(τ_1),…,F(τ_n))~T,E 表示求随机变量的数学期望,X(?)R~n 是凸多面体集.可以证明,问题(A)与下列问题等价     

It方程解的全局渐近稳定性

令(Ω,(?),P)为完备的概率空间,ω(t)为其上的m维Wiener过程,考虑下面的n维It(?)随机微分方程其中b(x,t)是n维向量,σ(x,t)是n×m矩阵,它们满足线性有界条件和局部Lipsohitz条件,即     

多线性分数次积分算子有界的充分必要条件

令ω∈A_1,0αmn和0β1满足条件α+βmn.又设1p_1,…,pm∞使得1/q=1/p-(α+β)/n0并且1/p=1/p_1+…+1/p_m.这时我们有b∈Lip_β(ω)×…×Lip_β(ω)当且仅当由多线性分数次算子I_α与函数向量b生成的线性交换子[Σb,I_α]是从L~(p_1)(ω)×…×L~(p_m)(ω)到L~q(ω~((1-(1-α/n)q))有界的.     

求解张量绝对值方程基于连续时间的神经网络方法

1引言考虑如下的张量绝对方程(TAVE):寻找向量x∈R^(n)满足Ax^(m-1)-B|x|^(m-1)=b,(1.1)其中A,B∈T(m,n)且m为偶数,b∈R^(n)为已知向量.这里T(m,n)表示m阶n维实张量的集合,向量|x|定义为|x|=(|x_(1)|,|x_(2)|,…,|x_(n)|)^(T).当m=2时,方程(1.1)退化为下面的(矩阵)绝对值方程(AVE):Ax-B|x|=b.(1.2)方程(1.2)的一个特例是当B为单位矩阵的情形,即Ax-|x|=b.(1.3).     

有限几何与不完全区组设计的构作(VI)利用有限域上向量空间的子空间而构作的多个结合类的结合方案

1.引言设F_q是q个元素的有限域,q是一个素数的幂。以v_n(F_q)表由所有n维行向量的全体所组成的F_q上的n维向量空间。v_n(F_q)上作用着n级一般线性群GL_n(F_q),它由F_q上所有n×n 非奇异矩阵组成。v_n(F_q)的一个m维子空间P可用一个秩为m的m×n矩阵来表示,只要这个矩阵的m个行向量组成P的一组基。我们常用同一字母P来代表表示一个子空间P的矩阵。当然同一子空间可用不同的矩阵P和Q表示,只要有     

解超定病态线性方程组问题

给出超定方程组 Ax=b (1.1)其中A是秩为r的m×n矩阵,b是m维向量,x是n维未知向量. 目前处理病态线性方程组的方法大体上可以分为两类.一类是投影法(即降维法);另一类是正则化法.降维法是把右端向量b投影到A的极大线性无关列所张成的子空间中求解.数值相关性理论为其实际运用奠定了基础.降维法解病态线性方程组的     

有限几何与不完全区组设计的构作(Ⅰ)——有限域士辛几何中的若干计数定理

<正> §1.引言以 F_q 表 q 个元素的有限域,q 是一个素数的冪.考察 F_q 上所有 n 数组(x_1,x_2,…,x_n),x_i∈F_q,i=1,2,…,n,所组成的 n 维向量空间 V_n(F_q).V_n(F_q)的任—m 维子空间 P(1≤m≤n)都可以用一个秩为 m 的 m×n 矩阵来代表,只要这个矩阵的 m 个行向量组成 P 的一组基.我们把代表这个子空间 P 的矩阵仍记作 P.自然两个秩为 m 的m×n 矩阵 P 和 Q 代表同一子空间,当且仅当有 m×m 非奇异矩阵 A 存在使得 P=AQ.以下设 n=2ν是偶数,并考察 F_q 上的2ν×2ν的非奇异交错矩阵     

种公牛育种值预测的BLUP方法及应用一例

设一般的混合线性模型是 Y=Xβ Zu e (1)其中Y是n维观测值向量,X、Z分别是已知的n×p和n×q矩阵,β是一个p维(未知)固定参数向量,u是一个q维随机参数向量,e是n维随机误差向量,且有 E=0 Var (2)在实际问题中,常有R=σ_6~2I,G也常常是对角阵。七十年代初,C.R.Henderson提出用混合模型来预测种公牛育种值,他把环境效应(为牧场一年一季效应)、固定遗传效应(为公牛组效应)看作固定参数β,而把公牛效应及其与环境、遗传的交互效应看作随机参数向量u(交互效应一般不显著,故实际上常略去),目的是要     

子空间上亚半正定矩阵反问题解存在的条件

1 引 言 本文用R~(m×n)表示全体m×n阶实矩阵的集合,R~n为所有n维列向量的全体,OR~(n×n)为n阶正交矩阵的集合,I_n为n阶单位矩阵,A~T,A~ ,B(A),R(A)~⊥,N(A)分别表示矩阵A的转置,Moore-Penrose广义逆,值域,值域的正交补空间及零空间,Ps是     

关于多维平稳序列的一个结果

是一个 m 维宽平稳随机向量序列,且 Ex_i=0(零向量),i=1,2,….易知(?)与 i 无关,且(?)(τ)~T 是一个 m 阶矩阵(A~T 表示 A 的转置矩阵).又(?)特别(?)(0)=(?)(0)~T 是每个随机向量的协方差阵.今有 n+1个 m 维宽平稳的随机向量 X_1,…,X_(n+1).令     

几类交换子在加权Morrey空间上的一点注记

若L~(p,k)(w)是加权Morrey空间,T和I_α是Calderón-Zygmund积分算子和分数次积分算子以及BMO函数b,讨论了它们的交换子[b,T]和[b,I_α]在端点P=1处是从L~(φ,k)(ω)到弱L~(1,k)(w)(L~(q,k)(ω))有界的,其中φ(t)=tlog(e+t),1/q=1-α/n.     

几类交换子在加权Morrey空间上的一点注记北大核心

若L^(p,k)(w)是加权Morrey空间,T和I_α是Calderón-Zygmund积分算子和分数次积分算子以及BMO函数b,讨论了它们的交换子[b,T]和[b,I_α]在端点P=1处是从L^(φ,k)(ω)到弱L^(1,k)(w)(L^(q,k)(ω))有界的,其中φ(t)=tlog(e+t),1/q=1-α/n.     

自适应设计广义线性回归多维拟似然估计的渐近正态性

本文研究了自适应设计下广义线性回归的拟似然方程∑ni=1xi(yi-μ(xi′β))=0,其中yi是q维向量,xi是p×q阶随机矩阵,在一定条件下证明了方程的解^βn具有渐进正态的性质.     

关于求解最小二乘问题的SSOR迭代矩阵谱半径极值性质的研究

§1.引言 假设A为大型稀疏m×n实矩阵(m>n),且 rank(A)=n,在实用中,常常需要求解 AX=b,(1.1)其中b为给定的m维实向量. 求(1.1)的最小欧氏范数最小二乘解等价于求解 r Ax=b,A~Tr=0,(1.2)     

Littlewood-Paley g-函数交换子的加权估计

设g_(φ,b)是Littlewood-Paley g-函数与b生成的交换子,ω∈A_1.证明了若b属于加权BMO空间BMO(ω),则g_(φ,b)是L~p(ω)到L~p(ω~(1-p))(1p∞)有界的;若b属于加权Lipschitz空间Lip_β(ω)(0β1),则g_(φ,b)是L~p(ω)到L~q(ω~(1-q))的有界算子,其中1pq∞,1/q=1/p-β/n.     

非齐次对称特征值问题

引言 用SR~(n×n)表示所有。n×n实对称矩阵的集合。R~n表示n维线性空间。||·||_2表示向量的Euclid范数或矩阵的谱范数。 本文研究如下问题: 问题ISEP 给定矩阵A∈SR~n×n和向量b∈R~n,求实数λ和向量X∈R~n使得 AX=λX+b, (1) ||X||_2=1. (2) 若b=0,则问题ISEP就是通常的实对称矩阵特征值问题,若b≠0,则问题ISEP称为非齐次对称特征值问题,使(1)和(2)式成立的数λ和向量X分别称为非齐次特征值和相应的非齐     

矩阵不等式约束下矩阵方程最小二乘问题的增广Lagrangian方法北大核心CSCD

称X∈R^(m×n)为实(R,S)对称矩阵,若满足X=RXS,其中R∈R^(m×m)和S∈R^(n×n)为非平凡实对合矩阵,即R=R^(-1)≠±I_m,S=S^(-1)≠±I_n.该文将优化理论中求凸集上光滑函数最小值的增广Lagrangian方法应用于求解矩阵不等式约束下实(R,S)对称矩阵最小二乘问题,即给定正整数m,n,p,t,q和矩阵A_i∈R^(m×m),B_i∈R^(n×n)(i=1,2,…,q),C∈R^(m×m),E∈R^(p×m),F∈R^(n×t)和D∈R^(p×t),求实(R,S)对称矩阵X∈R^(m×m)且在满足相容矩阵不等式EXF≥D约束下极小化‖∑_(i=1)~qA_iXB_i-C‖,其中EXF≥D表示矩阵EXF-D非负,‖·‖为Frobenius范数.该文给出求解问题的矩阵形式增广Lagrangian方法的迭代格式,并用数值算例验证该方法是可行且高效的.     

矩阵不等式约束下矩阵方程最小二乘问题的增广Lagrangian方法

称X∈R~(m×n)为实(R,S)对称矩阵,若满足X=RXS,其中R∈R~(m×m)和S∈R~(n×n)为非平凡实对合矩阵,即R=R~(-1)≠±I_m,S=S~(-1)≠±I_n.该文将优化理论中求凸集上光滑函数最小值的增广Lagrangian方法应用于求解矩阵不等式约束下实(R,S)对称矩阵最小二乘问题,即给定正整数m,n,p,t,q和矩阵A_i∈R~(m×m),B_i∈R~(n×n)(i=1,2,…,q),C∈R~(m×m),E∈R~(p×m),F∈R~(n×t)和D∈R~(p×t),求实(R,S)对称矩阵X∈R~(m×m)且在满足相容矩阵不等式EXF≥D约束下极小化‖∑_(i=1)~qA_iXB_i-C‖,其中EXF≥D表示矩阵EXF-D非负,‖·‖为Frobenius范数.该文给出求解问题的矩阵形式增广Lagrangian方法的迭代格式,并用数值算例验证该方法是可行且高效的.     

求解多项式特征值问题的部分正交投影方法及其变形

正1引言为表述方便,用C~(m×n)表示m×n复矩阵的全体,C~m=C~(m×1).‖·‖表示向量或矩阵的2-范数.对A∈C~(m×n),v∈C~m及正整数m,K[A,v,m]=[v,Av,A~2v,...,A~(m-1)v]称为Krylov矩阵,span(K[A,v,m])就是由A和v生成的Krylov子空间.e_j是适当阶单位矩阵的第j列.设A_i∈C~(m×n)(i=0,1,…,d)是给定的矩阵,记     

常微分方程组的整体解及两点边值问题——Ⅰ.整体解方法

众所周知,n维向量函数u(x)的一阶常微分方程组,如在某点上只给出n_1相似文献