求解变分不等式问题的惯性次梯度外梯度算法

提出一种惯性次梯度外梯度方法来求解变分不等式问题,并且在映射是伪单调和Lipschitz连续但Lipschitz连续常数无需知道的假定下,给出算法的强收敛性结果.最后,给出主要的数值实验结果.     

单调变分不等式的改进次梯度外梯度算法

在Hilbert空间中提出一种求解Lipschitz连续单调变分不等式的改进次梯度外梯度算法,该算法的步长是自适应的.同时在算法的每一次迭代中,只需要计算向特殊结构半空间的投影.最后在Lipschitz系数大小未知的条件下,得到算法在Hilbert空间中的强收敛性.     

求解双层伪单调变分不等式的惯性次梯度超梯度算法

提出一种惯性次梯度超梯度算法,用于求解Hilbert空间中双层伪单调变分不等式解集的一个元素.该算法只需在可行集上进行一次投影,在标准假定条件下证明强收敛性定理.最后,给出所提算法的一些数值实验比较结果.     

变分不等式的惯性次梯度外梯度算法

在实Hilbert空间中提出求解单调变分不等式的惯性次梯度外梯度算法,其中变分不等式的可行集是一个光滑凸函数的水平集.新算法应用惯性加速技巧,迭代过程中对映射F赋值一次,并只需向两个半空间作投影两次.在适当的假设下,证明该算法的弱收敛性.新算法改进和推广相关文献中的相应结果.     

求解变分不等式问题和不动点问题公共点的惯性次梯度外梯度算法

在Hilbert空间中提出一种新的惯性次梯度外梯度算法,求解具有单调Lipschitz连续映射的变分不等式问题的解集与非扩张映射的不动点集的公共点.该算法结合一般的次梯度外梯度算法和惯性算法.在一定的条件下,建立算法的弱收敛定理.数值实验结果表明,提出的算法有一定的意义.     

单调变分不等式问题外梯度方法的推广

利用Armijo 似搜索和强正有界算子改进单调变分不等式问题的外梯度方法, 并在Hilbert空间中讨论Armijo似搜索的可行性, 建立逼近单调变分不等式问题解的强收敛定理.     

单调变分不等式问题外梯度方法的推广

利用Armijo 似搜索和强正有界算子改进单调变分不等式问题的外梯度方法, 并在Hilbert空间中讨论Armijo似搜索的可行性, 建立逼近单调变分不等式问题解的强收敛定理.     

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.     

次梯度外梯度方法求解随机变分不等式

随机变分不等式在供应链网络、交通运输和博弈论中具有广泛的应用。提出基于次梯度外梯度的随机逼近方法求解随机变分不等式,将矫正步的投影改投在半空间,以此来减少计算投影的代价。在适当的假设下,证明了所提出的算法具有全局收敛性。     

求解单调变分不等式的一类迭代算法

给出了求解单调变分不等式的一类迭代算法．通过解强单调变分不等式子问题，产生一个迭代点列，该迭代点列收敛到变分不等式的解．最后，给出了这类新算法的收敛性分析。     

次梯度外梯度算法求解随机变分不等式

确定性变分不等式已经有了较为完善的理论和数值方法。受次梯度外梯度算法的启发,考虑将其推广到随机变分不等式中。由于随机因素的出现,确定性的数值方法不能直接用来求解随机变分不等式。为此,结合处理随机优化常用的随机逼近方法,提出采用基于次梯度外梯度的随机逼近方法来求解随机变分不等式,即每次迭代抽取一个样本点,用样本函数去代替期望值函数,同时将外梯度算法中的第二步投影改投在含有可行集的一个半空间上,新的迭代点为第k步和矫正步的一个凸组合。该法采取随机逼近方法处理随机问题,并且当投影难以计算的时候,修改第二步投影在半空间上以此来减少计算的代价,新的迭代点充分利用了已知点的信息,使得算法迭代快速有效。在适当的假设下,当函数是伪单调的时候证明了去全局收敛性,并给出了初步的数值试验来证明该算法的可行性。     

一个求解变分不等式问题的投影算法

基于D.Han提出的求解变分不等式问题的推广的近似点算法(generalized proximal method),提出了一个新的改进算法,该算法的最大特点是在每一步只需要近似求解一个线性方程组系统.并在适当条件下证明了算法的全局收敛性.     

解变分不等式的两种新的投影算法

运用Armijo型线性搜寻程序构造了一类新的超平面.借助这些超平面,运用不同的投影方式,建立了一类新的二次投影算法和自适性投影算法.在较弱的条件下,这些算法是全局收敛的.数值试验证明这些新算法是有效的.     

变分不等式的新的外梯度方法

本文引入了一个新的求解非扩张映射的不动点集和具有单调及Lipschitz连续映射的变分不等式的解集的公共元素的近似算法。这一算法是建立在外梯度方法和粘性逼近方法基础上的。在Hilbert空间上得到了这一算法产生序列的强收敛性定理。其内容如下：设C是实Hilbert空间H中的非空闭凸集,映射A：C→H是单调和k-Lipschitz连续的,S：C→H是非扩张映射满足Fix（S）∩VI（C,A）≠Ф,其中Fix（S）和VI（C,A）分别是S的不动点集和变分不等式的解集f：H→H是压缩映射,序列{xn}和{γn}由下列算法产生的：{x1=x∈C γn=Pc（xn-γnAxn） xn＋1=αnf（xn）＋βnxn＋（1-αn-βn）SPc（xn-γnAγn）,n=1,2,…,其中{γ},{αn}和{βn}是满足条件limαn n→∞=0和∑n=1^∞αn=∞,1〉lim n→∞ sup βn≥lim n→∞ inf βn〉0和limγn n→∞=0的数列,则{xn}和{yn}强收敛到w=PFix（S）∩VI（C,A）f（w）,这里PFix（S）∩VI（C,A）f（w）表示f（w）在Fix（S）∩VI（C,A）上的投影。本文结果推广了文献中的一些著名结果。     

求解随机变分不等式问题的修正外梯度随机逼近算法

【目的】研究求解随机变分不等式问题的基于外梯度的随机逼近算法。【方法】依据求解经典变分不等式问题的外梯度算法,给出求解随机变分不等式问题的修正外梯度随机逼近算法。【结果】在适当的假设下,证明了修正外梯度随机逼近算法具有全局收敛性,初步的数值试验结果表明算法具有有效性。【结论】修正外梯度随机逼近算法是对已有的外梯度随机逼近算法的进一步推广,并且可在更弱的假设下获得它们的全局收敛性结果。     

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.     

变分不等式的新超梯度迭代法

引入了求解变分不等式的新的超梯度法,证明了由算法所生成迭代序列强收敛于非扩张映射不动点集合与变分不等式解集合的公共元素.方法和结果推广了这一领域内一些已知结果.     

一种新的求解变分不等式问题的外梯度投影算法

给出了一种新的求解变分不等式问题的外梯度投影算法．在较弱的条件下证明了算法的全局收敛性，并分析了算法的线性收敛速度。     

Banach空间中广义变分不等式迭代算法的强收敛性

利用修改的外梯度方法,结合修改的Mann迭代方法,讨论了一类Banach空间中严格伪压缩映像的广义变分不等式问题.在适当的条件下,证明了算法所得到的序列强收敛到相应问题的解.     

解变分不等式的超梯度Mann迭代算法

介绍了关于变分不等式近似解的一种新的超梯度迭代算法.该算法在迭代过程中使用了Mann迭代,规定了一个较优的搜寻步长,并且选择了与以往投影算法所不同的搜寻方向.同时证明了所构造的算法生成的迭代序列在广义单调条件下是全局收敛的.