一类带重开始的共轭斜量法的误差分析

对于解大型线性方程组A_X=b,其中A=A~*为正定对称矩阵,共轭斜量法是非常有效的方法之一,并且这种方法在最优化的邻域中也有广泛的应用。本文给出一类带重开始的经典共轭斜量法的误差分析,其主要结果同[5]所假定的吻合,即可证得:     

共轭斜量法及其算法实现

介绍了共轭斜量法的基本思想，并给出了实现其原理的算法。共轭斜量法属于迭代法的一种，它算法简单，存储量少，时间复杂度低，尤其在解大型线性方程组时占有优势。     

共轭斜量法及其算法实现

介绍了共轭斜量法的基本思想，并给出了实现其原理的算法．共轭斜量法属于迭代法的一种，它算法简单，存储量少，时间复杂度低，尤其在解大型线性方程组时占有优势．     

Stokes方程非协调有限元逼近的快速迭代过程

对Ｓｔｏｋｅｓ方程的非协调有限元逼近提出了一个快速计算方法。基本思想是把原来的对称不定问题的计算转化为对称正定问题的计算,这个对称正定问题将由共轭斜量法求解,而共轭斜量法中每步迭代的计算需要求解带正定矩阵的线性代数方程组,采用亏量校正算法来近似求解,证明了算法具有与网格步长无关的小于１的收敛率。     

共轭斜量法在某些特征向量上收敛速度的估计

设 Ａ是对称正定矩阵，λ_1是 Ａ 的最大或最小特征值，χ_1是对应的特征向量．｛zk｝是用共轭斜量法求解方程组 Αχ＝ｂ时的近似解序列，ｅi＝Ａ～(_1)b-zi,本文给出了|x_1～Tei|较合理的上界估计式。从而为分析预处理共轭斜量法提供了进一步的理论基础。     

GCR算法的残量与系数阵谱分布界间的关系

本文探讨了GCR算法的残量与系数阵谱分布界间的关系,分析了其局限性及可行性,给出了粗略的判别标准,并与古典的共轭斜量法解法方程组的方法作了比较。最后的数值试验验证了所得结论。     

ABS方法在求解非线性方程组中的一个应用

本文作了ＡＢＳ法求解病态线性方程组的数值试验,所得结果表明,它比共轭斜量法解病态线性方程更有效;提出了在求解非线性方程组中用ＡＢＳ法解线性方程组的组合迭代算法;讨论了组合迭代法的局部收敛性和Ｋａｎｔｏｒｏｖｉｃｈ收敛性。     

带罚混合问题在Taylor—Hood元逼近下的快速迭代法

对带罚混合问题的变异Ｔａｙｌｏｒ－Ｈｏｏｄ元逼近给出了一种快速迭代过程，基本思想是把带罚混合问题（对称不定问题）转换成一个正定系统，并证明它具有与网格步和攻罚项参数无关的有界条件数，采用共轭斜量法迭代求解这个系统，而每步的共轭斜量法迭代需要计算一个（二维）向量形式的Ｐｏｉｓｓｏｎ方程，它由多重网格法来近似计算，此算法对其它的满足ｉｎｆ－ｓｕｐ条件的有限元适用。     

有限元方程组的共轭斜量解法及程序

本文编制出用共轭斜量法解有限元方程组的程序,主要改进了已有的结构刚度矩阵的存储方式.在整个迭代过程中有限元素的刚度矩阵只计算一次,因而计算时间较短.数例计算的结果表明,该算法是有效的.     

高阶稀疏矩阵的双一维指示数组式紧凑存贮法

一 序言 在利用高速电子计算机解决三大革命斗争中的实际问题时,常可遇到高阶稀疏矩阵的线代数问题,如果我们采用迭代形式的算法(例如,解线代数方程组的(块)逐步超松弛迭代法,共轭斜量法,解特征值问题的正交化方法等),不言而喻,应该采用紧凑存贮法存贮矩阵,以节省内存,扩大解题能力。     

一种求解无约束优化问题的新混合共轭梯度法

在现有共轭梯度方法的基础上,提出一种新混合共轭梯度法来求解无约束最优化问题.该方法采用近似方法去逼近Hessen矩阵,克服了传统牛顿法求解Hessen矩阵中存在的计算量大等问题,并在强wolfe线搜索技术下给出该共轭梯度算法的全局收敛性证明.实验结果表明,与PRP(Polak-Ribiere-Polyak)方法和HYBRID(混合)方法相比较,该文提出的新混合共轭梯度算法的迭代时间少于前两者方法,说明该文方法可行、有效.     

共轭下降法的一个全局收敛性结果

共轭梯度法是求解无约束最优化问题的一个著名方法，共轭下降法是其中的一种，它最早由Fletcher提出，在对共轭下降法进行研究并确定了步长λk时，使用了一种新的Armijo类型的搜索，证明了新算法的可行性及佤中收敛性，提出的搜索简单易行，丰富了共轭梯度法的内容。     

嵌入共轭梯度算子的遗传算法

分析病态线性方程组的机理,将原线性方程组的求解问题转化为一个等价变分问题的极少值点寻优问题。在遗传算法产生的子代群体的个体以固定的概率采用共轭梯度法产生新子群,即采用共轭梯度法在局部进行搜索。将共轭梯度法局部搜索能力与遗传算法全局搜索能力有机结合,从而实现了混合算法的优化。算例结果表明,该算法对于病态方程组的求解效果明显优于一般的遗传算法和共轭梯度法。     

求解大型线性规划的无约束化方法

在本文中,基于对偶理论,把线性规划变成了求解一个凸函数的无约束极小化问题。然后利用共轭梯度法求解该问题,在这个共轭梯度法中,采用了一个非常有效的一维搜索技术。理论分析和数值实验表明在一般条件下,该方法仅需要O(n)次迭代。这里n是变量个数。     

一类基于共轭梯度法的下降算法

共轭梯度法是求解大规模我约束优化问题的有效算法之一,近年来出现了很多共轭梯度法收敛性的相关文献。本文研究基于共轭梯度法的下降算法,证明了算法的收敛性,并对算法进行了数值试验,结果表明算法是很有效的。     

基于共轭梯度法和最速下降法的非线性测量数据处理

将共轭梯度法与最速下降法有机结合起来，构造出一种解决非线性测量数据处理问题的新方法——混合算法。这种方法充分利用了共轭梯度法和最速下降法良好的收敛优点，既提高了共轭梯度算法的收敛速度，又解决了目标函数“性态不优”时，最速下降法难以解决的问题。文中的算例结果表明，混合算法与单纯的共轭梯度法或最速下降法相比，具有收敛速度快、收敛范围大、适应面宽等特点。     

最速下降法和共轭梯度的混合算法及全局收敛

将最速下降法与共轭梯度法有机结合起来,构造出一种混合优化算法,并证明其全局收敛性.这种混合优化算法结合了共轭梯度法和最速下降法产生搜索方向,既提高了共轭梯度算法的收敛速度,又解决了目标函数的等值线是扁长椭球时,最速下降法下降缓慢的问题,具有收敛速度快、收敛范围大、适应面广等特点.文中的算法实例表明,混合算法与单纯的共轭梯度法相比,效果更优.     

基于弹性接触的共轭梯度算法

为了解决有约束的基于共轭梯度二次规划算法的多次迭代问题,结合共轭梯度算法和有效集策略,提出了一个新的算法模型,通过对变量的截取(使用Polak-Bibiere公式)来避免重新开始共轭梯度算法,在大规模的弹性接触问题中,大量的结果表明了这个算法的有效性。     

线性约束优化问题的共轭梯度型算法及其收敛性

将共轭梯度法与广义投影技术相结合，给出了一个求解带线性等式、不等式约束优化问题的共轭梯度型算法，证明了算法的性质及全局敛性，首次将共轭梯度法推广应用于求解带约束条件的优化问题。     

共轭梯度法和最速下降法的混合算法

将共轭梯度法与最速下降法有机地结合起来,构造了一种共轭梯度法和最速下降法的混合算法,并证明了该算法的全局收敛．混合算法既提高了共轭梯度算法的收敛速度,又解决了目标函数“性态不优”时,最速下降法难以求解的问题．同时也可以看到共轭梯度法与最速下降法仅仅是混合算法的特例．