END随机序列的完全收敛性与强收敛性

利用END随机序列矩不等式和截尾法,探讨END随机序列的完全收敛性和强收敛性.给出了其相应的三级数定理,并利用所得结论获得了其完全收敛性与强收敛性的一些充分条件.     

严格收敛性与其他收敛性之间的关系

讨论了Hilbert C* -模上的有界线性算子网的严格收敛性与范数收敛性、强收敛性、弱收敛性之间的关系,证明了:严格收敛的算子网{Tλ}λ∈Λ的伴随算子网{Tλ*}λ∈Λ也是严格收敛的;严格收敛性是保持加法和数乘运算的;两个严格收敛算子网之积仍是严格收敛的;严格收敛的算子网一定是强收敛的.     

求解广义非线性互补问题的自适应信赖域方法

提出一个求解广义互补问题的自适应信赖域算法,在适当假设下,证明算法具备全局收敛性和局部收敛性.     

NA序列加权和的完全收敛性

本文主要研究了不同分布NA序列加权和最大值的完全收敛性，同时获得了的上述序列的L^p收敛性结果.     

函数级数一致收敛的判别法

如果函数项级数具有一致收敛性,则和函数具有一些重要性质(如解析性).对数项级数的一致收敛性的判别尤为重要,本文对在教材上常见的一致收敛性的判别法不再赘述,对教材之外的一些判别方法进行归纳.     

GLQOCM状态迭代法的收敛性研究

用状态迭代法求解广义L. Q.最优控制的核心是该迭代法的收敛性问题.利用泛函分析的一些思想与方法,借助不动点的概念,证明了优化算子的连续性,进而证明了状态迭代法的收敛性。     

Fourier级数一致收敛性的几个证明

基于Fourier级数的逐点收敛性已经有很全面的研究，如Dini判别法、Lipsehitz判别法、Dirichlet-Jordan判别法等，而关于Fourier级数的一致收敛性在文献中很少提及，本文将讨论Fourier级数的一致收敛性的几个判别方法。     

一类双交错级数的收敛性及求和法

讨论了双交错级数的收敛性问题,利用极限理论证明了双交错级数的收敛性,从而推广了判别交错级数收敛性的莱布尼兹法.并对一类特殊的双交错级数求和问题,给出了相应的求和公式和示例.     

求解非线性互补问题的一个新的光滑牛顿法

通过利用带惩罚项的FB函数将非线性互补问题转化为等价的光滑方程组.并在此基础上提出了一个求解P0-函数非线性互补问题的光滑牛顿法,同时给出了算法的全局收敛性以及局部二次收敛性结果.数值实验表明所提出的算法是有效的.     

一种基于弱拟牛顿方程的单调梯度法的收敛性

基于弱拟牛顿方程,Leong W J等人提出了一种单调梯度法,该算法在每次迭代时利用对角矩阵逼近Hessian矩阵,使计算量和存储量明显减少,并且此算法对凸函数具有收敛性。在此算法的基础上,进一步研究了算法对于一般函数的收敛性,并证明了在一定的假设条件下算法仍具有全局收敛性、R-线性收敛性和超线性收敛性。     

一个新的非单调自动确定信赖域半径的信赖域算法

将非单调线搜索技术与自动确定信赖域半径的方法相结合,提出了求解无约束优化问题的一个新的非单调自动确定信赖域半径的信赖域算法.在假设对任意x1∈Rn,水平集L(x1)={x|f(x)≤f(x1)}有界,且目标函数f(x)在水平集L(x1)上连续可微;矩阵序列{Bk}一致有界的条件下证明了本算法的全局收敛性.数值结果显示本算法是有效的.     

基于锥模型的非单调自适应信赖域算法

基于锥模型,结合提出的新的自适应技术,建立了一个求解无约束最优化问题的非单调自适应信赖域算法.当试探步不被接受时,采用非单调线搜索,减少了计算量.充分利用包含当前迭代点信息的新的自适应策略调节信赖域半径.在适当的条件下,证明了算法的全局收敛性和Q-二阶收敛性.数值试验表明该算法是有效的.     

基于简单二次函数模型的非单调自适应信赖域算法

基于简单二次函数模型,结合非单调技术和自适应技术,建立了一个求解无约束最优化问题的非单调自适应信赖域算法,并在适当的条件下,证明了算法的全局收敛性和超线性收敛性.理论分析算法是有效的,适合求解大规模问题.     

关于无约束最优化问题的一种新的自适应信赖域方法

提出一个求解无约束最优化问题的自适应信赖域算法,将非精确线性搜索法和信赖域算法相结合,并在适当假设下,证明算法具备全局收敛性.     

一类新的自适应信赖域算法

提出了一类新的自适应信赖域算法.该算法利用相邻迭代点的实际下降量与预测下降量的比值加权和来衡量二次模型的近似程度,同时信赖域半径迭代准则采用由Λ-函数给出的一类自适应迭代准则.在一定假设的条件下,算法具有传统信赖域算法的全局收敛性.数值实验表明,算法是稳健和有效的.     

求解非线性方程组问题的自适应信赖域方法

提出一种新的求解非线性方程组问题的自适应信赖域方法.这个新的方法与同类算法相比,信赖域半径更容易计算,节省了计算工作量.此文还给出了算法在一定的条件下具有全局收敛性和Q-二阶收敛速度.给出的自适应信赖域方法与传统的信赖域方法相比信赖域半径可根据当前迭代点的信息自动调节产生,在实际应用中更容易实现.     

A BOX TRUST REGION METHOD ON A SUBSPACE FOR UNCONSTRAINED OPTIMIZATION

对无约束最优化问题给出了一类具有降维和记忆功能的子空间信赖域算法。该方法既有信赖域算法的特点，又有多信息下降法的特点，故收敛速度较快，初步的数值试验也证实了这一点。     

带回溯线搜索的新锥模型信赖域算法

结合线搜索方法计算量小的优点和信赖域算法很好的收敛性,将回溯线搜索应用到新锥模型自适应信赖域方法上构造了一类新的算法,并证明了该算法具有全局收敛性。初步的数值实验表明该算法是可行的。     

一个新的拟牛顿信赖域方法

提出求解无约束优化问题的一个修正拟牛顿信赖域方法。算法可以保持信赖域子问题海森矩阵的正定性。在适当条件下,证明了算法的全局收敛性,并通过数值实验说明了算法的可行性。