由对数函数迭代产生的分形

最近,日本的川部健和近藤芳朗用复数的对数函数作迭代,得到了一些新的分形图案。他们所用的迭代公式是z_n 1=logz_n c.从初始值z_0出发,并限定每次迭代所得复数的辐角θ的范     

分维之美(二)——Newton迭代和捕食者-猎物模型

本刊上期封面、封底照片给出了Julia集和Mandelbrot集的复杂而美丽的图案,它们是由迭代过程Z_(n+1)=Z_n~2+C构造出来的。事实上,可以考虑其他的迭代过程。一个常见且实用的迭代过程便是Newton迭代: Z_(n+1)=Z_n-f(z_n)/f′(Z_n),n=0,1,2,…其中f(z)是一可微函数,一般是高次多项式。Newton迭代本是用来求方程f(z)=0的根的:取定某初始值     

分维之美(一)——Julia集和Mandelbrot集

封面、封底的美丽图形是近几年来崛起的分形几何学与计算机图学巧妙结合的结果。这些复杂图形来自一个简单得出奇的迭代公式: Z_(n+1)=Z_n~2+C,n=0,1,2,…。在复平面上考察这个公式导出的迭代序列z_0,     

一类具有n+1个参数的变测度算法

在优化技术中,变测度算法是近年来常用的一种方法.设x∈E~n,f(x)是要求最小点的目标函数,g(x)=▽f(x)是f(x)在点x上的梯度向量,r_0为一初始点,而H_0是一给定的方阵,则变测度算法的第k步迭代可以描述如下:假定x_k是f(x)的最小点x~*的k次近似,H_k为一方阵,x_k与H_k都由前一次迭代确定(当k=0时它们是给定的).今取—H_(kgk)~T为搜索方向,这里gk=g(x_k).用x_k 1表示f(x)     

整函数及其导函数的Julia集

设f:C→C是整函数映照,定义迭代序列{f~n}如下: f~0(z)={z, f~(n+1)(z)=fof~n(z), n=0,1,2,……。整函数的迭代理论很早就为 Fatou 所研究。近年来,随着有理动力系统的发展,整函数动力系统迅速活跃起来。以下定义 N(f)={z∈C|{f~n} 在z点正规};J(f)=C\N(f),     

混沌中的对称

我们知道,一个简单的迭代公式在一定的参数条件下其迭代点列可呈现出复杂的混沌行为。有时迭代公式中含有对称项如X~2等,但其迭代点列的短期混沌行为中丝毫也显不出对称性。然而,     

有理函数系随机迭代系统的Julia集

有理函数动力系统的研究主要限于单个有理函数的自身迭代,而由Barnsley等人引入并用来生成分形集从而模拟现实世界中的景物的迭代函数系统,又局限于压缩线性映照系的随机迭代,结合这两种思想,我们引入了由Ricmaoo球面上的有理函数系生成的随机迭代系统。     

Landweber迭代近场声全息

在基于分布源边界点法的近场声全息理论基础上, 提出采用Landweber迭代正则化方法稳定近场声全息重建过程, 控制测量误差对重建结果的影响, 确保重建结果的有效性. 提出一种用于确定最优迭代次数的方法--辅助面选取法, 通过计算各次迭代所获得的辅助面上声压值与测量值之间相对误差的最小值来选取最佳迭代次数, 从而达到最佳的正则化效果. 对实际声源的实验研究, 一方面说明了测量误差对重建结果影响的严重性, 另一方面也验证了提出的最优迭代次数选取方法的有效性, 及采用Landweber迭代正则化方法控制近场声全息重建误差影响的有效性.     

水轮机过渡过程电算机数值模拟的迭代参数确定方法

水轮机过渡过程电算机数值模拟技术中关键问题之一是保证迭代计算过程的快速收敛。作者在文献[1]中给出了一种误差函数校正方法,直接根据迭代结果系列值的误差确定合适的下一步迭代值。本文试图根据过渡过程数学模型的结构分析,从理论上导出一组有较高精度的确定迭代参数的计算公式。     

对称压缩算子方程解的存在与唯一性定理及应用

一般来说,凡在半序空间用迭代法研究算子方程的解时均采用对称迭代,事实上,一般的对称迭代并不收敛或者不收敛于算子方程的解。本文构造了各种形式的非对称迭代,并获得一系列混合单调算子方程解的存在与唯一性定理。     

加法型和乘法型Schwarz迭代收敛因子之间的关系

1加法型和乘法型Schwarz迭代设QR~n是一多边形区域是Q上的椭圆边值问题的变分形式,a(·,·)对称正定并在H_0~1(Q)中引入与原有内积等价的内积,以下将视H_0~1(Q)为赋内积a(·,·)的希尔伯特空间。是(1.1)式的有限元离散,S_0~h(Q)是有限元空间。{Q_i,i=1,2,…,N}是Q的一族子区域,其边界线与有限元剖分线重合,     

弱条件下Halley族迭代的收敛性

我们曾在Smale的点估计判据下得到整个Halley族迭代的收敛性定理。点估计判据假设被求零点的映照f在初始近似z_0的某个适当大的邻域内解析。按数值泛函文献的通常理解,这是强条件的假设,尽管这种假设对于实计算的复杂性研究有其特殊的需要。对于其迭代映照中涉及f的k阶导数(或差商)的迭代法,通常理解的弱条件是假设f在z_0的某个邻域有连续的k 1阶导数,就像Канторович关于Newton法的经典工作那样。弱条件下建立收敛性定理的最大困难是关于优映照正根存在的判定。由于优映照通常被选为多项式,所以在关于算法的理论中,这是一个已经被彻底解决的问题。但成功的收敛性定理要求把这种条件明快地表示出来,而不是只给出一种判定的算法。对照文献[6]的成功和文献[7]的差强人意,这是很明显的。长期以来,还没有能够在弱条件下建立Halley族迭代的收敛性定理,其困难就在于此。对原来意义的Halley法来说,已经建立不少弱条件下的收敛性定理,但不能令人信服地说哪个比哪个更好,其原因亦在于此。     

电算机模拟水轮机瞬变过程的误差函数校正迭代方法和快速收敛程序

迭代收敛性是水力装置瞬变过程电算机数值模拟中的主要问题。迭代过程的收敛性问题包括两个方面:可收敛性和收敛速度,迭代过程不收敛将不能得到真解,这是众所周知的。而收敛速度却很少引起注意。但这一问题对于八十年代初期提出的超微计算机模拟水力瞬变方法来说,则是至关重要的。因为超微计算机运算速度及输出打印速度均较低,而迭代过程构成CPU时间的绝大部份。所以加速收敛方法是必须考虑的问题。当然,即使对大型电算     

生成同时求多项式全部零点并行迭代的一般方法

由于逐个地求复多项式全部零点所存在的固有困难,同时求其全部零点的并行迭代日渐受到重视。在已经提出的诸多迭代法中,利用Bell多项式对Halley迭代族进行并行化改造所形成的迭代族最为系统和丰满,事实上文献[5]是文献[2]的主要内容。 但我们也知道,同时求多项式f全部零点的这个并行迭代族依赖于f各阶导数计值的特点阻碍了它在求特征值问题上的应用,因为这时f导数的计值甚为困难。当f以其它非显式给出时,情形亦相类似。     

分形迭代技术与视景可视化

分形迭代技术与视景可视化武汉测绘科技大学博士陶闯武汉测绘科技大学教授、博士生导师林宗坚中国科学院院士李德仁武汉测绘科技大学教授李德仁自然界中许多生物和物理现象具有较明显的自相似性和自迭代生成机制，分形迭代过程能很好地再现这类自然特性。本文探讨将分形迭...     

超越函数随机迭代系统的Julia集

单个超越整函数自身迭代生成的动力系统的研究始于1926年Fatou的工作,后来主要是Baker等人继续了这方面的研究,但在近年来,这一领域又得到了飞速发展。在本文中,我们将研究由有限多个超越整函数和超越亚纯函数生成的随机迭代系统,可以说这一工作既是Fatou等人的工作的推广,又是Barnsley等人在迭代函数系统方面工作的推广。由于在动力系统的研究中,最基本的对象就是Julia集,所以我们首先研究了随机迭代系统的Julia集,下面就是我们在这方面得到的主要结果。     

基于三维同位网格的高效稳定的分离式算法IDEAL

分离式算法IDEAL(inner doubly-iterative efficient algorithm for linked-equations)是一种高效稳定的算法, 在该算法中每个迭代层次上对压力方程进行两次内迭代计算, 第一次内迭代过程用于克服SIMPLE算法的第一个假设, 第二次内迭代过程用于克服SIMPLE算法的第二个假设. 这样在每个迭代层次上充分满足了速度和压力之间的耦合, 从而大大提高了计算的收敛速度和计算过程的稳定性. 把IDEAL算法推广到了三维同位网格系统, 其中界面流速计算采用修正的动量插值方法(MMIM), 这样计算得到的数值结果与亚松弛因子的选取无关. 最后通过5个不可压缩流动和传热的三维算例对IDEAL算法与其他三个被广泛使用的算法—— SIMPLER, SIMPLEC和PISO进行了比较. 通过分析比较得出IDEAL算法在收敛性和健壮性上均优于SIMPLER, SIMPLEC和PISO算法.     

向量值半Markov决策规划

关于向量值Markov决策规划,文献[1]研究了有限阶段与无限阶段模型之间的关系。文献[2,3]将标量模型的策略迭代算法推广到向量模型,给出了求最优策略的算法。其算法大致叙述如下:从任一平稳策略出发,在平稳策略类中不断进行策略迭代改进,求得不动点及其周围的可疑点,然后从可疑点开始迭代改进。上述过程反复进行,直到考察完所有平稳策略为止。最后在求出的不动点集合Γ中用穷举法求出全部最优策略。     

非线性最优化一个超线性收敛的序列方程组方法

本文考虑如下的优化问题:这里x=(x_1,…,x_n)∈E~n.对于问题(P),本文给出了一个超线性收敛的序列方程组算法.此算法与现有的序列二次规划(SQP)方法相比,具有以下三个重要的性质:(1)由于算法每一次迭代只需计算三个系数矩阵完全相同的线性方程组,因此算法每一次迭代的计算量要比现有的SQP方法大为减少;(2)算法每一次迭代产生的点都是可行的;(3)算法是一步超线性收敛的.     

一个分段线性的二维迭映射

一、前言在研究浑沌(chaos)现象方面已发表的文章中,许多是关于迭代映射的,其中一维迭代的情况人们得到的结果较好。这方面已有几本专著。而高维的情况理论结果还是不多,即使是二维的情况。人们较多地还是从数值计算方面着手,依靠电子计算机得到一些结果。这方面