含参数分裂形式下的SSOR迭代法敛散性分析

目的改变和加速SSOR迭代法的收敛性。方法在以往预处理的基础上,通过引入参数改变矩阵的分裂形式,再通过矩阵比较理论比较迭代法的收敛速度。结果与结论这种新方法能加快SSOR迭代法的收敛速度,为科学计算中求解线性方程组节省时间。     

含参数分裂形式下的SSOR迭代法敛散性分析

目的改变和加速SSOR迭代法的收敛性。方法在以往预处理的基础上,通过引入参数改变矩阵的分裂形式,再通过矩阵比较理论比较迭代法的收敛速度。结果与结论这种新方法能加快SSOR迭代法的收敛速度,为科学计算中求解线性方程组节省时间。     

PSD迭代方法收敛的一个充分必要条件

在线性方程组系数矩阵A为(1,1)相容次序矩阵及A的Jacobi迭代矩阵的特征根μj2＜1的条件下,得出了PSD迭代法收敛的一个充分必要条件,并给出了SSOR,JOR,PJ等迭代法收敛的充分必要条件.最后根据定理确定实例的收敛区间.     

一类迭代矩阵SSOR半迭代法的收敛性

本文在线性方程组Ax=b的迭代矩阵B2是弱循环指数为2的相容次序矩阵,且矩阵的特征值满足σ（B^2） [0,β^2]β：=ρ（B）〈1的假设下,研究了SSOR半迭代方法。若用渐近收敛因子刻画迭代的收敛速度,得到结论：半迭代SSOR方法加速了取最优参数时的SSOR方法。     

鞍点问题的SSOR半迭代求解方法

针对鞍点问题的特点和SSOR迭代方法的运算优势,给出一种SSOR类型的半迭代求解方法,运用矩阵代数理论分析该迭代方法的收敛性,得到不依赖于矩阵对称正定的收敛条件.最后列举矩阵对称正定及非对称正定条件下的两个数值例子,检验该方法的可行性.     

关于解大线性系统的推广的双参数松驰法的收敛性

本文应用Evans~[1]的预处理技巧,定义了某些解大线性系统AX=b的推广的双参数松弛法(简称为ETOR方法)。Jacobi、Gauss-Seidel、SOR、SSOR、AOR和TOR~[2]迭代法均可作为其特例。然后,当系数矩阵具有特殊性质:例如Hermite正定,H-及L-矩阵、不可约弱对角占优…等,对所考虑的迭代法,建立了某些收敛定理。     

求解一类隐式互补问题的加速模系矩阵分裂迭代法

构造了求解一类隐式互补问题的加速模系矩阵分裂迭代法。理论分析建立了新方法在系数矩阵为H+-矩阵时的收敛性质。数值实验结果表明新方法是行之有效的,并且加速模系矩阵分裂迭代法在迭代步数和时间上均优于传统的模系矩阵分裂迭代法。     

预条件后新分裂下的Gauss-Seidel迭代法收敛性讨论

针对Gauss-Seidel迭代法求解大型线性方程组Ax=b时,结合矩阵分裂理论及比较定理,给方程两边同时左乘非奇异矩阵P(也称为预条件矩阵),对新的系数矩阵PA进行矩阵分裂时,引入参数α,以使矩阵分裂更加一般化,说明这种方法不仅能加速Gauss-Seidel迭代法的收敛,而且优于一般的预条件方法.最后给出一个数值例子.     

基于矩阵分裂的预处理(I+S)后SOR迭代法收敛性分析

在运用SOR迭代法求解大型线性方程组Ax=b时,结合矩阵分裂理论及比较定理,给方程两边同时左乘非奇异矩阵P(也称为预处理矩阵),对新的系数矩阵PA进行矩阵分裂时,引入参数α,以使矩阵分裂更加一般化,说明这种方法能加速SOR迭代法的收敛性,而且比一般的预处理方法更有效.最后给出数值例子加以说明.     

预条件(I+S)后改进矩阵分裂的SOR迭代法收敛性分析

目的在预条件后运用SOR迭代法求解大型线性方程组Ax=b,以加快迭代法的收敛性。方法结合矩阵分裂理论及比较定理,引入参数α,给出预条件后一种改进的矩阵分裂形式,使矩阵分裂更加一般化。结果与结论说明这种方法不仅能加速SOR迭代法的收敛性,而且优于常见的SOR方法,并且给出参数的最优选取,为算法设计提供帮助。     

关于SSOR迭代法和Jacobi迭代法的敛散性

本文证明了当Jacobi矩阵B非负时,解线性方程组(系数矩阵为不可约的SSOR法(0<ω<1)和Jacobi法同时敛散,给出了SSOR法迭代矩阵之谱半径ρ(φ)和ρ(B)之间的关系。     

区间SSOR方法的收敛性

基于区间H -矩阵特别是严格对角占优矩阵 ,进行了区间SSOR方法的研究。并对SSOR方法收敛性及其松弛因子的范围进行了讨论     

线性互补问题的SSOR多分裂算法

运用矩阵的SSOR多分裂和松弛迭代算法,提出了一类求解线性互补问题的数值解法.在一定条件下分析了算法的全局收敛性和松弛因子的范围,扩大了以往求解线性方程组的SSOR多分裂迭代算法的收敛区域.     

大规模p型有限元方程组的修正SSOR-PCG解法

结合p型有限元方程组的系数矩阵具有对称性、正定性、稀疏性和阶谱性等特点，用修正的对称逐步超松驰处理共轭梯度法来求解大规模p型自适应有限元方程组，可以减少每步迭代的主要计算量；利用上一个自适应步的结果初始化迭代序列，可以减少迭代次数，使得总迭代次数和计算时间较原方法大为减少，理论和算例均表明，这是求解大规模p型自适应有限元方程组的一种极为有效的方法。     

线性方程组的迭代解法

线性方程组的数值求解常见于许多科学与工程计算领域,介绍了求解大型线性方程组的主要迭代算法。首先,对一些经典迭代法（Jacobi方法、Gauss-Seidel方法、SOR方法、SSOR方法和CG方法等）进行了详细的讨论,并从理论上对收敛性进行分析。其次,讨论了最新的Hermitian/Skew-Hermitian splitting（HSS）迭代理论,给出了迭代公式和收敛性定理。最后,通过数值实验对所有迭代法的有效性进行了验证。     

PSD迭代法的一个误差估计

在线性方程组的系数矩阵A为对称正定(1,1)相容次序矩阵的条件下,得到了PSD方法的一个误差估计.在相同的条件下,也可得到SSOR的一个误差估计,且此误差估计与M.Madalena Martins结果一致.     

超松弛迭代-双共轭梯度在三维电磁问题有限元分析中的应用

应用矢量有限元方法(FEM)对三维电磁问题进行分析,研究应用超松弛迭代(SSOR)方法预处理的双共轭梯度(BICG)求解有限元线性方程组的收敛特性.文中给出了SSOR-BICG方法的高效算法,并对三维腔体的电磁散射问题和三维波导不连续性结构进行了分析.研究表明,通过SSOR预处理,在不增加内存消耗的情况下,有限元系数矩阵性态大为改善,BICG求解速度大大提高.SSOR-BICG方法在计算时间上比BICG方法和共轭梯度法(CG)分别可以提高了4倍和44倍,从而为电大目标的有限元方法快速分析提供技术支持.     

极小最小二乘问题在神经网络中的应用

为了解决在神经网络的前馈算法中矩阵的极小最小二乘的失效问题,在Matlab和C 的平台上研究并比较了奇异值分解(SVD)、超松弛迭代(SSOR)和共轭梯度法(CG)几种算法在解上千阶矩阵最小二乘问题的优劣。SSOR算法在百阶的条件下,具有实用性;CG算法和SVD算法在千阶的条件下,可以取得比较好的收敛速度和比较高的精度。这两种算法还可以继续完善。CG算法可加预处理方法使其更加稳定,收敛更快。该文研究表明SVD和CG算法可以有效的解决经典算法如QR算法在大中规模矩阵条件下,解最小二乘问题失效的问题。