内河货运航线配船模型与算法

给出了包括驳船和机动船的内河货运航线配船模型，并以基本配船模型算法［１］和整数非线性规划的直接搜索寻优算法［２］为基础，构造了求解这一模型的二级迭代算法.     

多传感器数据的准分层融合法

本文针对非线性多传感器系统的状态估计问题，提出了准分层融合算法。文中，首先推出了准分层融合估计式，而后说明其算法，并讨论其性质，最后，给出其工程上可实现的结构框图。理论结果表明，该算法可用作多传感器的广义卡尔曼滤波。实际需要表明，该算法比文献￣［１］中线性系统的分层融合法更有应用前景。     

模糊基函数网络学习算法及其应用

本文在文献［１］的基础上提出了模糊基函数网络（ＦＢＦＮ）改进的学习算法。改进的正交最小方差算法（ＭＯＬＳ）解决了原算法逼近多维函数的性能很差的问题，并且提高了该算法实际的逼近性能和收敛性。最后给出了ＦＢＦＮ应用于雷达数据关联的实验结果。     

班轮航线配船模型的分析与改进

结合航运生产实际，对文献［１］中的班轮航线配船模型提出了改进的意见，并给出了新模型的求解方法及收敛性证明     

关于“放映员问题”（FDP）的启发式算法

本文研究了新近出现的“放映员问题”（ＦＤＰ）模型及其启发式算法；不仅证明寻找一个ＦＤＰ近似（有界）解也是ＮＰ难题，而且给出一般情况下ＦＤＰ最优解的下确界估计；还提出一种启发式新算法ＭＴ；它具一定总体寻优特性，且在最好情形下能给出ＦＤＰ最优解，因而优于文献［１］中ＦＤＰ算法。算例证实ＭＴ的可行性和有效性。     

对多目标决策文献[1 ]和[2 ]的评注

首先,本文指出了文献［１］中“定义６”存在的问题,并给出了一个修正的定义。其次,本文指出文献［２］中定理的大部分条件是多余的,并对相关问题作了简要评述。     

GSVM优化问题的一种新的光滑函数法

提出求解广义支撑向量机(GSVM)优化问题的一种新的光滑函数法,克服了已有算法收敛速度慢且计算结构复杂的缺陷。首先利用最优化理论的KKT互补条件,将GSVM转化为无约束优化问题,然后给出了基于Newton型迭代的光滑函数的迭代方法。给出了这种光滑函数的有关性质、迭代算法的迭代格式及其收敛性。通过理论分析及数值实验证明了该算法对初始点不敏感,且收敛速度快、数值稳定。从而验证了算法的可行性和有效性。     

基于卡尔曼滤波的二次型神经网络学习算法及收敛性分析

提出了二次型多层前馈神经网络的卡尔曼滤波学习算法，并证明了该算法的收敛性。与文献［２，３］中的学习算法和经典的误差反向传播学习算法相比，新的学习算法具有更快的学习速度、良好的泛化能力，并且对学习率有很好的鲁棒性，不容易陷入局部极小点。仿真实验结果表明了新算法的有效性。     

双环网G(N;s_1,s_2)的直径

首先指出了已有文献［１］所给出的关于Ｇ（Ｎ；ｓ１，ｓ２）的直径的计算公式是错误的，进而由此公式所给出的最优双环网算法［２］是不可靠的．本文引入了同余方程ｘｓ１＋ｙｓ２≡０（ｍｏｄＮ）的最小正解概念，并利用最小正解给出了计算Ｇ（Ｎ；ｓ１，ｓ２）的直径的正确方法．     

求解非线性方程组的异步并行 拟牛顿迭代算法的收敛性分析

本文给出了MIMD多处理机上的求解非线性方程组的异步并行拟牛顿迭代算法的收敛性分析,给出了收敛的充分性条件。     

具有控制时滞的不确定分布参数系统迭代学习控制

研究了具有控制时滞的不确定线性分布参数系统的迭代学习控制问题,允许系统在迭代过程中初始状态值存在一定偏差。提出了基于时滞已知的P型迭代学习控制算法,给出了其L²范数收敛的充分条件,并利用Green公式、以及Gronwall-Bellman不等式等从理论上进行收敛性证明。数值例子验证了该算法的有效性。     

具有模型和实际差异的非线性离散时滞系统最优控制

研究了非线性分布时滞系统的最优控制,提出了一种基于线性分布时滞模型和二次型性能指标问题的迭代算法。在模型和实际存在差异的情况下,该算法通过迭代求解分布时滞线性最优控制问题和参数估计问题,获得原问题的最优解。仿真实例表明该算法的有效性和实用性。     

阵列声波测井成像迭代算法及仿真研究

利用阵列声波测井中的反射初至波可以对井孔附近目标体速度结构进行成像，采用离散图象重建技术将成像问题经过线性化处理转化为线性方程组的求解。由于其方程组一般是病态、无精确解的，为此探讨了一种求解任意线性方程组的简单、实用的迭代算法以及其收敛J胜，该算法不需矩阵求逆而总能得到最优解。经过一些典型类型的仿真分析，结果表明该算法在处理声波射线数据不足的情况下能获得理想的成像效果。     

基于Barzilai-Borwein迭代的低复杂度大规模MIMO信号检测算法

在大规模多输入多输出系统中,最小均方误差(minimum mean square error, MMSE)算法能达到接近最优的线性信号检测性能,但是MMSE算法需要复杂的矩阵求逆运算,这限制了该算法的应用。为了降低运算复杂度,改进MMSE算法,利用Barzilai Borwein(BB)迭代算法来避免矩阵求逆运算,提出了结构简单的BB迭代信号检测算法,且基于信道硬化特性进一步优化了迭代初始解以加快算法的收敛速度。理论和仿真结果表明,所提出的BB迭代算法的性能优于最近提出的Neumann级数展开算法,而其复杂度相比截短阶数i=3的Neumann级数展开算法减少了一个数量级;且该算法收敛速度较快,在给定初始值的条件下,通过简单的几次迭代,能够快速接近MMSE算法的检测性能。     

任意初始状态下迭代学习控制的频域分析

针对广义受控对象G(s) ,提出了一种迭代学习控制器在频域中设计的思想 ,给出了在任意初始状态下迭代学习控制算法收敛的充分条件 ,证明了经过逐次迭代后系统实际输出信号对期望输出信号的逼近特性 ,输出跟踪误差将一致有界 ,且与期望状态及期望输入无关。进一步讨论了反馈控制在迭代学习控制器中的作用。仿真结果表明了该算法的有效性。     

Approximate subgradient projection algorithm for convex feasibility problem

An ε-subgradient projection algorithm for solving a convex feasibility problem is presented. Based on the iterative projection methods and the notion of ε-subgradient, a series of special projection hyperplanes is established. Moreover, compared with the existing projection hyperplanes methods with subgradient, the proposed hyperplanes are interactive with ε, and their ranges are more larger. The convergence of the proposed algorithm is given under some mild conditions, and the validity of the algorithm is proved by the numerical test.     

不确定模糊系统的静态输出反馈-迭代算法

研究连续不确定T-S模糊系统的静态输出反馈控制问题。连续不确定T-S模糊系统的静态输出反馈控制稳定性的充分条件是根据可解的双线性矩阵不等式给出的。为了计算连续不确定T-S闭环模糊系统的静态输出反馈增益,提出了基于迭代线性矩阵不等式的算法。用数值仿真例子说明了该迭代线性矩阵不等式算法的有效性和收敛性。     

PDα-型分数阶迭代学习控制在Lp范数意义下的收敛性分析

针对一类分数阶线性系统,讨论了PD^α-型分数阶迭代学习控制算法的单调收敛性。首先,在Lebesgue^p(L^p)范数意义下,对一、二阶PD^α-型控制算法的单调收敛性进行理论分析,推导出其单调收敛的充分条件,并推广到N阶控制算法的情形;然后,对二者的收敛快慢进行了详细说明。结论表明,控制算法的收敛条件由学习增益和系统自身属性共同决定。仿真实验验证了理论的正确性和控制算法的可行性。     

元胞蚂蚁算法的收敛性分析

提出一种新的优化算法，元胞蚂蚁算法，该算法将元胞自动机的邻居和规则引入传统的蚂蚁算法，实验结果证明该算法可行且有效，有良好的全局优化能力。定义元胞蚂蚁算法的求解迭代过程为一个概率测度空间中的随机算子，利用随机不动点理论，证明了该算子为连续压缩算子，存在唯一的随机不动点，从而给出了元胞蚂蚁算法的收敛性的论证，为算法奠定了相应的理论基础。     

求解隐式差分方程的一类高精度并行迭代法

为提高并行迭代法的计算精度,提出了一类高精度、无条件稳定、三层格式的并行迭代算法。用矩阵理论证明了迭代的收敛性,推证了网格加密时的渐进收敛性质。结果表明:对三层格式进行迭代处理,不仅能保证其计算精确度,而且具有很好的收敛速度与渐进收敛性质。数值算例验证了理论分析的正确性,表明了算法的可行性与有效性。