非线性Gilson-Pickering方程的移动最小二乘近似无网格法

【目的】利用适定移动最小二乘近似和预测校正迭代算法等技术,建立数值分析Gilson-Pickering方程的移动最小二乘近似无网格方法。【方法】首先采用差分格式离散时间导数,然后利用适定移动最小二乘近似离散空间导数,最后使用配点技术得到了非线性代数方程组。【结果】数值算例表明该方法能有效地求解具有三阶偏导数且依赖于时间变量的非线性Gilson-Pickering方程。【结论】该方法比有限元方法的精度更高。     

非线性Poisson-Boltzmann方程的改进无单元Galerkin法分析

【目的】利用改进无单元Galerkin法求解非线性Poisson-Boltzmann方程。【方法】将改进的移动最小二乘近似与非线性Poisson-Boltzmann方程的Galerkin弱形式耦合,建立了非线性Poisson-Boltzmann方程的改进无单元Galerkin法。基于改进移动最小二乘近似的误差结果下,推导了非线性Poisson-Boltzmann方程的改进无单元Galerkin法的误差估计。【结果】在Sobolev空间中获得了误差估计,并通过数值算例验证了理论结果。【结论】该方法具有较高的计算精度和较好的稳定性,误差随节点间距的减小而降低。     

一般抛物方程的一类区域分解差分算法

研究了一般抛物方程的一种区域分解差分算法，在内边界点上采用小时间步长Δt，空间上以步长进行J计算，提高了整体的计算精度.给出了一、二维两种情形下的算法和误差估计，并用数值实验证明了结论.     

修正Helmholtz方程的改进无单元Galerkin法分析

【目的】在改进移动最小二乘近似的基础上,讨论了一种稳定化的改进移动最小二乘近似,具有更好的数值稳定性和计算精度。【方法】将稳定化的改进移动最小二乘近似和修正 Helmholtz方程的 Galerkin积分弱形式相结合,建立了修正Helmholtz方程混合边值问题的改进无单元Galerkin法,并理论分析了在 Sobolev空间中的误差。【结果】通过两个数值算例验证了算法的有效性和理论的正确性。【结论】误差随节点间距的减小而降低。
     

修正Helmholtz方程的改进无单元Galerkin法分析

【目的】在改进移动最小二乘近似的基础上,讨论了一种稳定化的改进移动最小二乘近似,具有更好的数值稳定性和计算精度。【方法】将稳定化的改进移动最小二乘近似和修正Helmholtz方程的Galerkin积分弱形式相结合,建立了修正Helmholtz方程混合边值问题的改进无单元Galerkin法,并理论分析了在Sobolev空间中的误差。【结果】通过两个数值算例验证了算法的有效性和理论的正确性。【结论】误差随节点间距的减小而降低。     

移动最小二乘近似在图像分割中的应用

【目的】研究图像分割模型中水平集发展方程的高效稳定的数值解法。【方法】用移动最小二乘近似逼近水平集函数,然后将水平集发展方程离散为常微分方程组,并用向前Euler法求解。【结果】给出了一种图像分割的移动最小二乘近似方法,分割终止标准明确,形成的系数矩阵稀疏、条件数很小。【结论】数值实验表明该方法不需要重新初始化水平集函数,克服了水平集初始轮廓对分割结果的影响,是一种具有较高分割精度和较快分割速度的图像分割方法。     

热传导方程的一类有限差分区域分解显-隐算法

先在内边界点上采用小时间步长^-Δt,空间上以大步长进行J次计算,提高了整体的计算精度.同时给出了一、二维热传导问题的算法和误差估计,还考虑了多子区域的情形,并用数值实验证明了结论.     

移动最小二乘近似在图像分割中的应用

【目的】研究图像分割模型中水平集发展方程的高效稳定的数值解法。【方法】用移动最小二乘近似逼近水平集函数,然后将水平集发展方程离散为常微分方程组,并用向前Euler法求解。【结果】给出了一种图像分割的移动最小二乘近似方法,分割终止标准明确,形成的系数矩阵稀疏、条件数很小。【结论】数值实验表明该方法不需要重新初始化水平集函数,克服了水平集初始轮廓对分割结果的影响,是一种具有较高分割精度和较快分割速度的图像分割方法。
     

利用半无限规划的离散化方法求解半定规划问题

【目的】对半定规划的强对偶定理以及求解半定规划近似解的算法进行讨论。【方法】利用求解半无限规划的近似解的离散化思想,及线性规划的强对偶定理。【结果】得到了半定规划强对偶定理一种新的证明方法以及求解半定规划近似解的离散化算法,给出了该算法的数值实验结果。【结论】为半定规划问题提供了一种新的近似求解算法。     

新的求解大规模线性最小二乘问题的随机算法

目的针对传统的求解线性最小二乘问题方法的计算、存储复杂度大,不适于大规模问题的缺点,提出新的随机算法近似求解大规模线性最小二乘问题。方法通过随机采样对超大规模线性最小二乘问题的系数矩阵进行约减,利用快速Walsh-Hadamard对问题进行变换来保留原问题的重要信息,再用QR分解算法求解约减问题,得到原问题的近似解。结果该方法有效降低了问题的求解复杂度和存储复杂度。结论数值实验表明新算法和相关算法相比求解精度可接受,但大大减少求解时间且在同等计算平台下可处理更大规模的问题。