求解分裂可行问题的一种新算法

主要对解决分裂可行问题的松驰CQ算法进行修正,设计了一种新的算法.该算法在每步迭代中应用类-Armijo搜索来获取步长,避免了矩阵逆和矩阵最大特征值的计算,而且在每步迭代中都根据当前迭代点的信息选择合适的步长,证明了该算法的全局收敛性.     

修正AHP中判断矩阵的最佳步长算法

对AHP中判断矩阵一致性的修正方法进行了研究,提出了一种新的最佳步长迭代算法,该法通过分析偏离矩阵与判断矩阵之间的关系,对矩阵中偏差最大的元素进行修正,给出了确定迭代步长的简洁实用的算法,最后,通过算例说明了该算法的可行性.     

一种改进的变步长自适应匹配追踪算法

压缩感知是利用信号的稀疏性和可压缩性进行信号处理的新理论.针对压缩感知中信号稀疏度未知的问题,提出了一种改进的变步长自适应匹配追踪(MVss AMP)算法.该算法通过计算余量与测量矩阵的相关性,自适应地选择候选集原子,并且通过可变步长更新支撑集,实现信号的精确重建.该算法通过设置一个参数来控制步长变化.仿真结果表明:该算法在误差范围内实现了信号精确重建,并且重建性能优于其他同类算法.     

输入非线性系统的多步长搜索梯度迭代算法

采用多步长搜索梯度迭代算法对输入非线性系统参数进行辨识.相对于传统梯度迭代算法,该方法无须计算矩阵特征值以确定步长取值范围,而是借助粒子群算法思想,在每次迭代过程中随机产生多个步长,通过比较每个步长对应的代价函数大小,找出所有步长中的最优值.运用该方法对具有丢失数据的非线性系统进行辨识,仿真结果表明,与传统梯度迭代算法相比,该算法的辨识精度较高、收敛速度较快.     

混沌人工鱼群的鲁棒保性能控制权值矩阵优化方法

针对鲁棒保性能控制中的权值矩阵依赖经验选取,无法最大限度的减小系统保守性的问题,提出了一种基于混沌人工鱼群算法的鲁棒保性能控制权值矩阵优化方法.该方法中,将保性能控制鲁棒界作为优化的目标函数来寻找最优权值矩阵是整个算法实现的关键.该种改进的人工鱼群优化算法融合了混沌搜索与自适应步长和视野的人工鱼群优化算法,有效的解决了基本人工鱼群算法的后期收敛速度慢、易陷入局部最优等缺点.通过测试函数对比验证了该种改进人工鱼群优化算法的优越性,并通过应用实例验证了该权值矩阵优化方法的有效性.     

Stein方程数值解的黎曼梯度算法

基于正定矩阵流形的信息几何结构, 使用黎曼梯度算法来获得Stein方程的数值解. 利用弯曲的黎曼流形上的测地距离作为算法的目标函数,并将流形上的测地线作为算法的收敛路径. 通过数值实验讨论了算法的步长和收敛速度的关系,从而得到算法的最优步长.      

分裂变分不等式问题及其外梯度算法

在本文中,我们结合Armijo步长搜索方法提出了求解分裂变分不等式问题的一种外梯度算法,证明了算法的收敛性.与相关文献中的算法相比,该算法避免了矩阵谱半径的计算.     

分裂等式问题的一种简单投影算法

本文主要给出了求解分裂等式问题的一种简单投影算法及其松弛算法,证明了算法的全局收敛性.与相关算法相比,该算法每一步的迭代步长都可直接计算出,避免了计算矩阵的谱半径.     

结构非线性动力学方程的自适应精细积分算法

将定常结构动力方程的精细时程积分算法推广应用于非线性动力学问题时,对非线性项的线性化处理使该方法的计算精度对时间步长非常敏感.为此本研究中将龙贝格积分法引入该方法,提出了由此而产生的指数矩阵的快速精细算法,从而使时间步长的选择具有了自适应性,且计算精度和效率均得到提高.文中的数值算例给出了该方法的计算精度和效率.     

改进的ASS-GDM优化测量矩阵方法

在压缩感知中,测量矩阵的优化设计是需要研究的核心问题之一,它决定着能否准确重构初始信号,所以测量矩阵必须满足一定的条件才能符合重构的要求。本文主要提出一种变步长梯度下降的测量矩阵优化方法(adaptive step size-gradient descent method,ASS-GDM),其出发点是:尽可能降低测量矩阵和表达字典之间的相关性,相关性越小,重构性能越好。该方法利用梯度下降法更新步长,并基于步长因子来进一步调节步长的变化,实现步长的自适应变化,提高算法的收敛速度。实验结果表明本文提出的方法具有很好的重建性能。     

修正的迭代近似梯度投影算法在压缩感知中的应用

通过设计一种新的Hessian矩阵的近似,得到函数在当前迭代点的二次近似模型,并利用该模型与延迟策略得出一种新步长.结合新步长,提出一种求解压缩感知中稀疏信号重构问题的修正迭代近似梯度投影算法,并给出收敛性证明.实验结果表明,该算法不仅能较好地恢复原始信号中的非零元素,有效地重构信号,而且与经典算法相比,重构效率较高.     

一个新的无约束优化下降算法

提出了一种新的无约束优化下降算法，在每步迭代中算法以当前点负梯度和前一点负梯度的线性组合为搜索方向，用Armijo搜索定义步长，在适当条件下证明了算法的全局收敛性。     

一种基于模型逼近度的变步长BP算法

从步长选择的角度出发，提出了一个基于模型逼近度的变步长ＢＰ神经网络学习算法。数值结果表明该算法具有良好的收敛速度。     

利用前馈神经网络计算Lyapunov指数

Ｌｙａｐｕｎｏｖ指数是混沌动力学系统的重要不变量．用基于前馈神经网络的自适应快速学习算法计算混沌动力学系统的全部Ｌｙａｐｕｎｏｖ指数．结果表明，本算法在有限的样本点及出现外部噪声的情况下，是非常可靠的．     

线性再励的自适应变步长机器人神经网络路径规划算法

研究已知障碍物形状和位置环境下的机器人全局路径规划问题。利用神经网络路径规划算法进行路径规划，为提高神经网络路径规划算法的收敛速度，表明所给出的线性再励自适应变步长算法能够有效地加快路径规划的收敛速度。     

解无约束优化问题的一个新的非单调信赖域算法

在传统信赖域方法的基础上,提出了求解无约束最优化问题的一个新的带非单调线搜索的信赖域算法.该算法采用非单调Wolfe线搜索技术获得迭代步长,新算法在每一迭代步只需求解一次信赖域子问题,克服了每次迭代求解信赖域子问题时计算量较大的缺点.在一定条件下,证明了算法的全局收敛性.数值实验结果表明该算法是有效的.     

热分解过程的神经网络预测方法的研究

提出了用前馈神经网络求解热分解过程的新方法．针对传统的ＢＰ算法的缺陷,把无约束优化中的变尺度应用于网络的训练学习,改进了学习算法,提出了一种基于动态步长的新的变尺度算法．通过它对热分解过程的预测分析,其结果非常逼近实验结果并优于传统的理论计算结果;同时,新的变尺度算法提高了网络算法的收敛性．     

一种简单的变步长自适应α—LMS滤波算法

提出了一种简单的变步长α-LMS算法(vα-LMS),并给出了它的设计方法。导出了描述α-LMS算法收敛过程的动态方程,并据此讨论了α-LMS算法的算法性能。与vα-NLMS算法相比,Vα-LMS算法的优点是简单易行、计算量小,但它对输入信噪比的稳健性(RObustncss)却劣于Vα—NLMS算法。Vα-LMS算法的性能将优于Dα-LMS算法。计算机模拟结果与理论分析结果吻合较好.     

一种改进的MNVS自适应滤波算法

提出一种改进的归一化变步长自适应滤波算法（ＡＮＶＳ）,它对归一化变步最小均方误差自适应乍法（ＭＮＶＳ）作了进一步的改进,使之既具有愉收敛速度,又有快速跟踪能力,计算机仿真结果表明,该算法的性能明显优于ＭＮＶＳ算法,而其计算量与ＭＮＶＳ算法相当。     

Armijo线搜索修正LS共轭梯度法的收敛性

基于修正LS共轭梯度法,给出合适的初始步长,使采用Armijo线搜索的迭代过程满足充分下降性.在较弱的条件下,证明算法具有全局收敛性和至少线性收敛速率.