极大熵聚类算法的收敛性定理

讨论了极大熵聚类算法的收敛性,构造了极大熵聚类算法的收敛点集,并证明了极大熵聚类算法的收敛性定理.结果表明,极大熵聚类算法不一定收敛到局部极小点,有时收敛到鞍点.同时,也给出了如何判断极大熵聚类算法的收敛点是局部极小点还是鞍点的方法.     

基于修正常系数模板的变步长双模式盲自适应均衡算法

为解决修正常系数模板算法(MCMA)收敛速度缓慢的问题,在MCMA算法的基础上,给出了一种变步长双模式MCMA算法.改进算法在启动阶段用步长可变加快其收敛性,在收敛后转换到判决引导模式(DD),以保证算法收敛后稳态误差在可靠范围内.通过对实测信道的Monte-Carlo仿真,比较了MCMA算法和变步长双模式MCMA算法的性能,证明了该改进算法收敛速度快,稳态误差小.     

关于半收敛问题的探讨

针对实际CT系统中的不完全数据图像重建算法半收敛问题,分析了迭代外插算法收敛性与引入的参数因子、已知的检测数据的关系,并给出了改进的迭代外插算法.数值实验结果表明迭代外插算法迭代过程有时是发散的,存在半收敛问题,而改进的迭代外插算法是收敛的.     

圆域并集上施瓦茨交替法的研究

讨论了圆域并集上施瓦茨交替法的收敛速度 ,计算得到了收敛因子的具体表达式 .当两圆交集很少时 ,收敛因子接近 1 ,收敛速度将变得十分缓慢 ,对此给出了一个改进算法 ,分析了其收敛速度 ,并给出了其收敛因子的最优上界 ,然后通过数值计算验证了分析结果 .     

EM算法的BFGS加速算法

EM 算法是一种求参数极大似然估计的迭代算法,在处理不完全数据中有重要应用.EM 算法实现简单,数值计算稳定,存储量小,具有良好的全局收敛性,但EM 算法收敛速度慢只是次线性的收敛速度,妨碍了EM 算法的应用.现已提出了多种加速EM 算法收敛的方法.本文是在EM算法的拟Newton加速算法的基础上,使用非线性规划中对称秩2校正公式(BFGS公式)给出了一种新的加速EM 算法收敛的方法.它是针对EM的M步的,在共享 EM算法单调增加似然函数值和稳定收敛的基础上提高EM算法的收敛速度.最后用数值试验结果验证了该加速算法的有效性和可行性.     

Hilbert空间中严格伪压缩映像族公共不动点的迭代算法

给出了Hilbert空间中严格伪压缩映像族公共不动点的一个新的迭代算法,并利用所给出的算法证明了一个强收敛定理.     

求解伪单调型变分不等式的一种投影算法

在投影收缩算法的基础上,通过构造一种超平面,给出求解伪单调型变分不等式的一种投影算法,并证明该算法在变分不等式解集非空且F为伪单调连续映射的条件下是全局收敛的.在该算法生成的序列满足某种误差界条件下,得到算法的收敛率.最后,用数值实验对比所提算法与已知4种算法的收敛效果.     

Uzawa型算法的收敛性分析及Stokes问题求解

对求解鞍点问题的不精确Uzawa 算法及非线性不精确Uzawa 算法进行研究,给出这些算法收敛的一些新的充要条件或充分条件及收敛速度估计. 并将算法应用到Mini 元离散求解Stokes 问题中,通过数值计算验证所得结论的正确性.     

一种新的进化策略及其全局收敛性

在求解单峰最优化问题算法的基础上,给出了一种新的进化策略.针对连续函数优化问题,利用中心极限定理,在较弱的条件下,首先证明了基于均匀分布的(μ λ)-ES算法依概率收敛,然后给出了采用一般连续性随机变量作为变异算子的(μ λ)-ES算法依概率收敛的证明.数值结果表明:采用基于均匀分布的进化策略求解维数较高的连续函数优化问题能够快速有效地收敛到全局最优解.     

极大熵原理与互补问题的一种迭代算法

把基于信息理论的极大熵原理应用到互补问题的一种等价的不动点格式中,构造了一种光滑的迭代算法,给出了迭代算法收敛的充要条件.对于对称单调的互补问题,给出了收敛的充分条件.扩充了原来的梯度投影法要求严格单调的限制,得出了与外梯度投影法类似的收敛性条件.最后,给出了数值算例,包括标准互补问题考题和随机生成的考题,并给出了该光滑迭代算法与外梯度投影法的数值比较.     

一类随机算法的收敛条件

本文将利用拟鞅收敛定理给出Robbins—Monro型随机算法的一些新的收敛条件并证明其收敛性.     

求解非线性方程的一个新的高精度迭代解法

给出了一种新的求解非线性方程的迭代方法,该算法至少是5阶收敛且不用计算导数,具有收敛速度快,计算精度高的特点.同时,给出了数值例子,表明与理论分析是相吻合的.     

结构方程模型的偏最小二乘算法及其几何意义

对含两个潜变量结构方程模型的偏最小二乘（PLS）建模技术进行了研究,给出了相应的路径图、模型设定步骤和求解算法,指出该方法本质上是一种迭代收敛算法.通过引入一种新的算符,给出了PLS算法命令图.并且基于命令图详细讨论了该算法在多维向量空间中的几何意义,在此基础上分析了不同权重关系（A型与B型）对算法的影响,得到了与其对应的各种几何图形.最后指出在算法已收敛与尚未收敛两种情况下,潜变量估计值的投影位置是不同的.     

平坦MIMO信道中最小均方误差估计的一种改进方法

以平坦衰落条件下MIMO信道数学模型为基础,研究了最小均方误差估计算法,给出了详细的推导过程.由于最小均方误差估计算法比较复杂,导致其收敛速度比较慢,实际应用中受到了一定的限制.为了降低其复杂度,从数学的角度对算法进行了简化,减少了一次矩阵求逆运算.仿真中建立了一个MIMO系统,给出了估计性能曲线和收敛曲线.从理论分析和仿真结果来看,改进后的算法与之前的算法的估计性能差异不大,但收敛速度却明显提高了,达到了简化的目的.     

基于带参数价值函数求解线性互补问题的信赖域算法

基于带参数价值函数,给出了求解线性互补问题LCP (q, M)的信赖域算法.在每步迭代时,仅需求解简单的线性方程组.在M为P-矩阵时,算法全局收敛.无需假设极限点x*是否退化,在一定的条件下,算法局部超线性收敛.     

一种改进的粒子群优化算法

粒子群优化算法是一种基于仿生技术的启发式算法,针对粒子群优化算法存在易早熟现象,提出一种改进的粒子群优化算法.该算法给出了一种新的变异算子,该算子具有一定探索和开发能力,从而避免算法陷入局部最优.基于新变异算子给出一个新的粒子位置更新公式.根据系统稳定性理论,推出了算法的参数设置区域.最后,通过标准测试函数的性能测试,验证了改进粒子群优化算法收敛速度和求解精度.实验结果表明,该算法具有较好的收敛速度和求解精度.     

Hilbert空间中严格伪压缩映像有限族公共不动点的迭代算法

给出了Hilbert空间中严格伪压缩映像有限族公共不动点的一个新的具有显式表达的迭代算法,并利用所给出的算法证明了一个强收敛定理.     

Banach空间中拟严格伪压缩映像族不动点的收敛定理

给出了Banach空间中拟严格伪压缩映像有限族公共不动点的迭代算法,并利用所给出的算法证明了一个强收敛定理,推广了近期的相关结果.     

量化状态下Push-sum算法及分布式强凸优化

在时变网络图中,研究push-sum算法在量化情形下对于分布式优化问题的收敛情况,并且个体所持有的局部目标函数是强凸函数.基于算法本身的更新规则进行理论推导给出收敛分析.在一个多个体网络结构中,考虑每个节点之间只能交换量化过后的信息,采用均匀量化的方式进行探究.通过理论给出收敛性分析,并说明在量化情况下产生何种影响.经过证明得到每个节点的状态收敛到最优解附近.     

一个修改的BFGS信赖域算法

给出一个修改的BFGS校正信赖域算法,并分析其收敛性.该算法能够保持校正矩阵正定和收敛速度是二次的.