二水平设计离散偏差和对称化L_2偏差紧的下界

基于现有的均匀性测度公式,利用Langrange乘数法和Taylor公式得到二水平设计离散偏差和对称化L2偏差紧的下界,最后通过2个例子来验证其结论.     

一个椭圆积分的估值

利用凸函数的性质和通过Newton_Cotes求积分公式给出的一些积分不等式 ,对一个椭圆积分∫10 (4-x2 -x3) -12 dx的上界和下界进行估计 ,改进了有关文献的结果 .同时 ,用梯形法和抛物线法对此积分作了近似计算和误差估计     

一个椭圆积分的估值

利用凸函数的性质和通过Newton-Cotes求积分公式给出的一些积分不等式,对一个椭圆积分(4-x2-x3)-dx的上界和下界进行估计,改进了有关文献的结果.同时,用梯形法和抛物线法对此积分作了近似计算和误差估计.     

Double设计在对称化L2-偏差下两个下界的比较

从列平衡的角度出发,将设计的中心化L2-偏差、对称化L2-偏差、可卷L2-偏差分别用二次型和均衡模式表示,可分别得到两个下界,它们都适合用来评价正交设计的均匀性。以double设计的对称化L2-偏差为例,证明了这两种方法算出的下界是相等的。     

两水平扩大设计基于中心化L2-偏差的均匀性

基于中心化L₂-偏差讨论了两水平扩大设计的均匀性，获得了两水平扩大设计中心化L2-偏差的一个新的下界，该下界可作为寻找最优折叠反转方案的一个基准.     

2和4混水平U-型设计在可卷L_2-偏差下的下界

可卷L_2-偏差已被广泛地应用于评价部分因子设计的均匀性.研究了具有2和4混水平的非对称设计在可卷L_2-偏差下偏差值的下界,它可以作为寻找可卷L_2-偏差下具有2和4混水平的非对称U-型均匀设计的一个基准.     

Double设计的几个结果

讨论了Double设计在对称化L2-偏差下的均匀性,给出了Double设计为均匀设计的充要条件,同时得到了Double设计的对称化L2-偏差的下界,来评价Double设计的均匀性,最后通过一个例子来验证理论结果。     

对称化L2-偏差下组合设计的均匀性

基于对称化L2-偏差讨论了组合设计的均匀性,在两种特殊的情形下分别得到了两水平部分因子设计的组合设计的离散偏差的下界,数值例子说明这些下界是紧的,因此这些下界可以作为寻找最优折叠反转方案的基准。     

组合设计的对称化L2-偏差的下界

利用投影均匀性模式得到了两水平部分因子设计的组合设计的对称化L2-偏差的下界,数值例子说明这些下界是紧的,因此这个下界可以作为寻找最优折叠反转方案的基准.     

二三混水平因子设计离散偏差新的下界

离散偏差经常用来衡量部分因子设计的均匀性,偏差的准确下界可以检验给定设计的均匀程度.基于现有的离散偏差的公式,讨论了二、三混水平设计离散偏差的下界问题,并利用泰勒展开的方法给出一个新的下界.与已有的下界相比,所给出的下界在某些设计中更精确.     

Lagrange乘数法的部分应用

Lagrange乘数法主要用于求函数在满足约束条件下的极值问题,但联立方程求驻点及确定条件极值是较困难的事。文章将其应用于条件最值的求解、不等式的证明及隐函数极值的求解,提出在实际解题过程中的技巧,以展现Lagrange乘数法独特而简捷的效果。     

基于约束优化问题乘子罚函数方法的全局收敛性分析

针对最优化问题的增广Lagrange乘子罚函数方法给出了其收敛性结论。该方法提出的惩罚机制使得迭代点的可行性得到有效控制,通过添加Lagrange乘子有效避免了罚因子无限增大所带来的数值病态问题。全局收敛性结论表明了此方法的可行性。     

Lagrange乘数法的几何直观推导

从几何上，直观地介绍求解一类条件极值问题的Lagrange乘数法，显得很形象、易于理解。另外，用Lagrange乘数法求出的解不一定是条件极值问题的极小值解。利用二阶导数给出了用Lagrange乘数法求出的解是条件极值问题的极小值解的一个充分条件。用该条件判别，比用已有的方法判别简单易行。     

一种新的Lagrange乘子法

基于Lagrange乘子法中将与不等式约束相关的乘子定义为原乘子的正定函数,用同样的方法处理不等式约束和等式约束的构想,构造了一种新的Lagrange乘子法. 分析了该算法的收敛性,并利用LaSalle不变集原理揭示了算法稳定机制及如何减弱收敛条件和扩大收敛域. 分析表明,算法在稳定因素和不稳定因素的综合作用下获得最优解.     

一种新的基于非凸秩近似的RPCA模型

在机器学习、数据挖掘和图像处理等研究领域,鲁棒主成分分析(RPCA)主要用于恢复一个低秩的数据矩阵。考虑到核范数作为矩阵秩函数的凸近似在处理实际数据集时存在的问题,以及矩阵秩函数的非凸近似所展现出的优势,本文提出了一种新的非凸近似函数。基于该非凸近似函数,提出一个改进的RPCA模型,并应用增广拉格朗日乘子法对其进行求解。最后利用视频背景分离的实际数据,通过数值实验验证了新模型的有效性。     

一种新的拉格朗日乘子方法

对于约束非线性优化问题,提出了一种带3-分片非线性互补问题函数的增广Lagrangian函数,将约束优化问题转化成无约束优化问题来求解。新的增广Lagrangian函数的无约束极小点对应于原约束问题的解及乘子,同时提出相应的Lagrangian乘子方法,该方法可执行并具有收敛性。     

关于拉氏乘子法的细节及其作为变分原理的约束判据的可能性

本文就待定的拉氏乘子法和已识别的拉氏乘子法的区别进行了讨论,对现存的两种经验的拉氏乘子的识别方法进行了归纳,提出了识别的唯一性问题和识别的唯一性前提,最后对拉氏乘子法作为弹性力学变分原理是否存在约束条件的判据的可能性进行了讨论。     

优化极限学习机的序列最小优化方法

针对传统二次规划求解方法训练优化极限学习机(OMELM)存在速度慢和效率低的问题,提出了单变量迭代序列最小优化(SSMO)算法.该算法通过在框式约束中优化拉格朗日乘子来实现目标函数的最小化:首先在初始化拉格朗日乘子中选择使目标函数值下降最大的拉格朗日乘子,将该拉格朗日乘子作为目标函数的唯一变量;然后求解目标函数的最小值并更新该变量的值;重复这个过程直到所有的拉格朗日乘子都满足二次规划问题的Karush-Kuhn-Tucker条件为止.实验结果表明:SSMO算法只需调节很少的参数值便可得到足够好的泛化性能;采用SSMO算法的OMELM方法在泛化性能上要好于采用序列最小优化算法的支持向量机方法;在随机数据集测试中,SSMO算法具有较好的鲁棒性.     

流体力学中的临界变分现象及其消除方法

通过一个具体例子,阐述了流体力学中存在的各种临界主分现象,并指出临界变分是拉氏乘子的固有特性。详细综述了消除临界变分的各种方法：刘高联预处理拉氏乘子法、钱伟长高阶拉氏乘子法及作者提出的半反推法。     

无限深量子阱中弱耦合极化子的性质

采用改进的线性组合算符和变分相结合的方法,导出了量子阱中弱耦合极化子的光学声子平均数和基态能量;讨论了阱宽对基态能量的影响以及Lagrange乘子u对光学声子平均数和基态能量的影响.数值计算结果表明:光学声子平均数随u的增加而增大;基态能量随u的增加而减小,随阱宽的增加而减小.