矩阵的广义逆与正交投影

讨论了矩阵的广义逆在正交投影中的应用 ,给出了一个向量在仿射空间S ={x∈Rn|Ax =b}的投影表达式 .     

线性规划问题的广义投影梯度法

文中算法的迭代初始过程是利用内点横穿可行域内部直接达到边界，其迭代轨迹不同手内点法始终在内部弯行的迭代轨迹，是一个将内点与单纯形法联系起来的方法。     

正交投影矩阵的一个求法

正交投影变换及其矩阵在信号处理问题中有着广泛应用，因此对正交投影及其矩阵进行了研究，给出了酉空间C到其子空间的正交投影。在某基下的特殊矩阵表现形式。     

线性规划的矩阵求解法

利用线性方程组的同解理论,通过引进松弛变量等手段,化一般线性规划为标准型线性规划,建立线性方程组,写出其增广矩阵,对增广矩阵进行一系列的最优化过程,得到最优矩阵,从而求出最优解.     

正交投影的子矩阵

设$\\mathcal {H}$是n维复Hilbert空间,$Q$是定义在$\\mathcal {H}$上的正交投影. 任给$\\mathcal {H}$的子空间$\\mathcal {M}$, 设$\\dim{\\mathcal {M}}=r,$ 在空间分解 $\\mathcal {H}=\\mathcal {M}\\oplus\\mathcal {M}^{\\perp}$下, $Q=\\left(\\begin{array}{cc}AB\\\\ B^*D\\end{array}\\right),$ 其中$A\\in{\\mathcal {B}}({\\mathcal {M}}), B\\in{\\mathcal {B}}({\\mathcal {M}}^{\\perp},{\\mathcal {M}}), D\\in\\mathcal {B}(\\mathcal {M}^{\\perp}).$ 利用算子分块的技巧, 对空间进一步分解, 讨论了$Q$的子矩阵$A,B,D$的性质及其之间的关系, 并进一步讨论了$\\mathcal {M}$上的正交投影$P$与$Q$之间的关系. 得到了(i) ${\\mathcal {R}}(P)\\cap{\\mathcal {R}}(Q)=$\\{0\\}$ \\Leftrightarrow \\dim {\\mathcal {R}}(A)=\\dim {\\mathcal {R}}(B),$ (ii) ${\\mathcal {R}}(P)+{\\mathcal {R}}(Q)={\\mathcal {H}} \\Leftrightarrow \\dim {\\mathcal {R}}(D)=n-r,$ (iii) ${\\mathcal {R}}(P)\\perp{\\mathcal {R}}(Q) \\Leftrightarrow \\dim {\\mathcal {R}}(A)=0.$}     

正交投影矩阵的一个求法

正交投影变换及其矩阵在信号处理问题中有着广泛应用，因此对正交投影及其矩阵进行了研究，给出了酉 空间Cⁿ 到其子空间的正交投影σ，在某基下的特殊矩阵表现形式。     

矩阵方程AX=B的Hermitian-广义Hamiltonian矩阵解的迭代算法

利用正交投影、Hermitian-广义Hamiltonian矩阵类的结构与性质及奇异值分解,讨论了矩阵方程AX=B的Hermitian-广义Hamiltonian矩阵解及其最佳逼近的迭代算法,证明了算法的收敛性,求出了相应的最佳逼近解,并给出了相应的算法步骤和数值例子.     

一类矩阵方程组的正交投影迭代解法

讨论了矩阵方程组AX=B,XC=D一般解的正交投影迭代解法.利用正交投影原理和一般矩阵的结构、性质构造迭代算法,再利用矩阵的奇异值分解、F-范数的正交不变性及矩阵方程组解的性质,证明了算法的收敛性,且推导出收敛速率的估计式.经数值实例验证了算法的有效性.     

用Kronecker积与广义逆矩阵求解矩阵方程

本文研究了两类线性矩阵方程AXB+CYD=E层的求解问题,利用广义逆矩阵,给出了前一类方程有解的充要条件及有解时一般解的显式。以及后一类方程有解的克要条件及有解时一般解的拉直形式。     

分块矩阵Moore－Penrose广义逆的一个表达式

给出了按列或按行分块的矩阵Ｍｏｏｒｅ－ｐｅｎｒｏｓｅ广义逆的一个公式及其基于Ｐｅｎｒｏｓｅ方程组的直接证明，对一些重要特例作了推论。证明中给出的有关引理还包含了关于Ｍ一Ｐ逆阵及正交投影阵的若干有用性质。     

非线性规划改进的广义梯度投影法

讨论带非线性等式和不等式约束规划问题一种新的全局收敛的投影类算法，它是广义梯度投影法和梯度投影法以及次可行方向法的结合和改进。算法具有广义投影阵只依赖于ε－积极约束集，不必计算全部约束函数的梯度，其中ε可以随意选取；由单一的公式给出，且效益函数是可微的等优点。     

线性约束规划的一个广义梯度投影法

讨论一般线性约束非线性规划，通过广义投影技术建立了一个全局收敛的可行方向法。算法不需要作任何转轴运算。     

广义对称矩阵及广义正交矩阵

本文给出了广义对称 (反对称 )矩阵和广义正交矩阵的概念 ,讨论了它们的性质及相互之间的关系。     

一族易实现的Clarke广义梯度投影算法及其收敛性

本文利用Bazarra提出的伪方向导数,以Clarke的广义梯度为工具,通过解二次规划得可行下降方向,用Armijo搜索作一维搜索,我们给出了一类一般线性约束下不可微规划的可行方向法——易实现的Clarke广义梯度投影法。在不要求约束非退化的条件下,我们证明了算法的收敛性。     

解廣義線性互補問題的一個序列線性規劃算法

在適當條件下,給出了廣義線性互補問題的絕對誤差界估計,基于這個誤差界,建立了求解此問題的一個序列線性規劃(SLP)算法,并在不要求存在非退化解的情況下,證明了算法的全局收斂性.     

解带线性或非线性约束最优化问题的结合共轭梯度参数的记忆梯度Rosen投影算法

对于求解无约束规划的记忆梯度算法中的参数。作者利用Rosen投影矩阵给出了一个条件以确定其取值范围。使其在取值范围内取值均能得到目标函数的记忆梯度Rosen投影下降方向。从而建立了求解带线性或非线性约束最优化问题的记忆梯度Rosen投影算法．然后在较弱条件下证明了算法的收敛性。同时给出了具有好的收敛性质和较快收敛速度的结合FR,PR,HS共轭梯度参数的记忆梯度Rosen投影算法,从而将经典的共轭梯度法推广用于求解约束规划问题．由于算法需要较小的存储,算法适合于大规模问题的计算．数值例子表明算法是有效的．     

非线性规划的一种摄动梯度投影

本文应用对约束切子空间摄动的技巧,寻找一种新的极其简单的摄动参数,给出了一种在非K—T点处各种情形下目标函数的梯度都无须投影两次的算法,并证明了这种非线性规划新算法的收敛性。     

一个求解线性约束的非线性规划的变尺度方向广义投影内点算法

基于内点算法的思想，利用广义投影技术构造了一求解线性约束的非线性规划问题的变尺度方向内点算法，并给出了其收敛性证明。     

约束优化问题的广义投影梯度算法分析

对非退化和退化两种情形下的不等式约束优化问题的广义投影梯度算法作了分析,发现所采用的两种不同的求解迭代方向的方法在本质上是相同的。公式法结构简单、便于计算,而在处理退化问题上线性系统求解则体现优越性。