具有参数超平方收敛的抛物线法公式类

在有记忆单点迭代的Muller法中,通过引入多点迭代思想,提出了一类具有参数有记忆两点迭代的抛物线法公式,其收敛阶为1+√2,达到了超平方收敛.并且给出了该类方法的最佳迭代参数,使其收敛阶达到3.30.数值试验表明该类方法优于Muller法和Newton法.     

Muller法的一种改进方法

提出了Muller法的一种改进方法,不仅摒弃了Muller法中的符号选择,简化了算法,而且在求实根时不再需要使用复数运算,同时具有与Muller法相同的1.839阶的收敛速度.     

邻近点CKQ法的强收敛性

引入了与邻近点算法（PPA）有关的新迭代序列,并利用CKQ法证明了这种迭代序列在一定的假设条件下强收敛.所得结论推广了有关文献中的相关结果.     

关于超记忆梯度算法的收敛性

超记忆梯度算法是无约束优化的有效算法之一 .它的特点是在每步迭代时充分利用前面迭代点的信息 ,增加了参数选择的自由度 ,有利于构造稳定的快速收敛的算法 ,适于求解大规模无约束优化问题 .该文研究一种超记忆梯度算法 ,在较弱的条件下证明了算法的全局收敛性 .     

一类新的记忆梯度法及其收敛性

提出一类新的求解无约束优化问题的记忆梯度法。算法在每步迭代中利用当前和前面迭代点的信息产生下降方向,采用精确线性搜索或Wolfe非精确线性搜索产生步长,在较弱条件下证明了算法具有全局收敛性和线性收敛速率。数值试验表明算法是有效的。     

改进的鲁棒迭代最小二乘平面拟合算法

针对迭代特征值最小二乘法不具备鲁棒性,提出一种改进的统计分析方法,用于含有大量异常点的点云的平面拟合.首先由移动最小二乘法拟合抽样点的近邻域平面,采用最小平方中位数法选择拟合模型,将该模型作为初始模型调用迭代特征值最小二乘法对点集拟合,通过逐渐剔除异常点,不断精炼模型,最终得到较精确的平面模型.此算法克服了一般向后剔除方法的缺点,具有了鲁棒性,且不失原方法的精确性,同时提高了迭代收敛速度.     

一类新的Wolfe线性搜索下的记忆梯度法

提出一类新的求解无约束优化问题的记忆梯度法,在较弱条件下证明了算法具有全局收敛性和线性收敛速率。算法在每步迭代中利用当前和前面迭代点的信息产生下降方向,不需计算和存储矩阵,适于求解大规模优化问题。初步的数值试验表明算法比Wolfe搜索下的FR,PRP和HS共轭梯度法及最速下降法有效。     

醋酸甲酯催化精馏水解实验的过程模拟

用微分模型对醋酸甲酯催化精馏水解实验进行过程模拟 .以Muller法迭代计算水解率 ,并在求解微分方程组时作了一定的改进 ,达到收敛稳定、计算速度加快和提高计算精度的效果 .模拟了醋酸甲酯水解工艺参数与水解率之间的影响关系 ,结果与实验值吻合良好     

基于混合校正内点法的最优潮流

提出了一种混合校正的内点法.该方法有效结合了预测校正和中心校正方式,在预测校正过程中通过动态选择校正方向在总的牛顿方向中的比例来优化搜索方向,以改善中心校正的效果,进而加快了整个算法的收敛速度.通过IEEE 57、IEEE 118、IEEE 300和3个实际系统的仿真计算表明,与多中心 校正内点法相比,此算法能以更少的迭代次数和计算时间快速收敛.此外,计算结果还表明,该算法比传统的预测 校正内点法及其衍生的内点法更具有鲁棒性.     

一个新的求解无约束优化问题的超记忆梯度法

提出一个新的求解无约束优化问题的超记忆梯度法.该算法在每步迭代中充分利用前面迭代点的信息产生下降方向,利用曲线搜索产生步长,并且在每步迭代中不需计算和存储矩阵,适于求解大规模优化问题.在较弱的条件下证明了算法具有全局收敛性和线性收敛速度.数值实验表明该算法是有效的.     

多点Newton-Raphson迭代的新几何解释

正如"线性化"揭示了Newton迭代的构造思想一样,本文给出的一种几何解释揭示了多点Newton-Raphson迭代的构造思想,由此我们能够给出它的4阶收敛速度的一个简单证明,以及相关的一些重要结果.此外,我们还将多点Newton-Raphson迭代与Olver迭代、Newton迭代进行了综合比较,结论是:多点Newton-Raphson迭代更实用.     

一个不用计算导数具有4阶收敛性的迭代公式

提出了一种新的求解非线性方程的迭代方法,给出的迭代公式既能回避Newton迭代、多点Newton Raphson迭代公式中的导数计算,又能保持与多点Newton Raphson迭代同样的4阶收敛性,且不增加计算量.     

一种新参数下的记忆梯度算法

提出了一种记忆梯度法的主要参数的新形式，分析了该算法在Wolfe-Powell搜索下的全局收敛性和线性收敛速度．     

一类新的求解非线性方程组的记忆梯度法

提出一类新的求解非线性方程组的记忆梯度法,证明了算法的全局收敛性.该算法不依赖于问题初始点的选取,并且在迭代过程中无需计算雅克比矩阵的逆矩阵,降低了算法的计算量,节省了运算时间.与牛顿法相比,新算法更适于求解大规模非线性方程组.     

结合Armijo步长搜索的一类新记忆梯度算法及其收敛特征

对于求解无约束规划的共轭梯度算法中的共轭梯度方向参数 ,给定一个假设条件 ,确定它的一个取值范围 ,以保证搜索方向是目标函数的充分下降方向 ,由此提出了一类新的记忆梯度算法。在去掉迭代点列有界和Armijo步长搜索下 ,讨论了算法的全局收敛性 ,同时给出了结合FR、PR、HS共轭梯度算法的修正形式。数值实验表明 ,新算法比Armijo步长搜索下的FR、PR、HS共轭梯度法更稳定、更有效。     

Wolfe线性搜索下的超记忆梯度法及其收敛性

研究无约束优化问题,给出了一种新的超记忆梯度法,在较弱条件下证明了算法具有全局收敛性和线性收敛速率.数值试验表明新算法是有效的.     

解带非线性等式和不等式约束优化问题的超记忆梯度广义投影算法

利用广义投影技术 ,将求解无约束规划的超记忆梯度算法推广 ,建立了求解带非线性等式和不等式约束优化问题的一种超记忆梯度广义投影算法 ,并证明了算法的收敛性。该算法具有稳定、计算量小、所需收敛条件弱、收敛性强等特点 ,并改进了广义梯度投影算法的收敛速度。数值算例表明该算法是有效的。     

正项级数收敛性的又一新判别法

近年来,关于正项级数收敛性判别法又有一些新的研究,其中主要是得到了一些关于收敛性的新判别法以及对有关判别法的强弱进行了讨论.本文建立了正项级数收敛性的又一个新判别法,它适用判别与级数∑∞n=21n(lnn)s敛散速度相当的正项级数的敛散性,因而新判别法比传统的Raabe判别法等更为精细.此外,通过与Gauss判别法进行比较,得出了新判别法强于Gauss判别法的结论.