求解非线性规划问题的拟合算法

文章讨论非线性规划问题，借助于函数拟舍的思想，建立了问题的一个初始点任意的线性收敛的新算法，在新算法的每次迭代中，下降方向是从函数的拟合中得到，而不是由传统的拟牛顿方程得到，并且在较弱的假设下证明算法是线性收敛的．     

非扩张映像Ishikawa迭代的稳定性及与Picard迭代的关系

得到了Ishikawa迭代过程的稳定性结果，并应用这个结果证明了如下结论：如果T在X中有惟一不动点p，且对任何初值x1∈D（T）及任意的非负整数m，Ishikawa迭代xn＋1=I（T，tn＋m，sn＋m，xn）均收敛于不动点p，当^∞∑（1-tn＋tnsn）＜＋∞时，对任何初值y1∈D（T），Picard迭代过程yn＋1=Tyn必收敛于不动点p．     

渐近非扩张映射的不动点三步迭代

设D是一致凸空间中的非空紧凸子集,T:D→是渐近非扩张映射且F(T)≠,kn≥1,∑∞n=1(kn-1)<∞,设{un},{u′n},{u″n}是D中有界序列,{an},{bn},{cn},{a′n}{b′n}{c′n}{a″n},{b″n},{c″n}是[0,1]中序列且满足:i)an+bn+cn=a′n+b′n+c′n=a″n+b″n+c″n=1;ii)b″n,b′n∈[a,b](0,1);bn∈[0,b];iii)∑∞n=1cn<∞,∑∞n=1c′n<∞,∑∞n=1c″n<∞.对x1∈D,定义:zn=anxn+bnTnxn+cnun;yn=a′nxn+b′nTnzn+c′nu′nn≥1;xn+1=a″nxn+b″nTnyn+c″nu″n则{xn},{yn},{zn}强收敛于T的不动点.     

ρ-混合序列Jamison型加权和的强收敛性

设{Xn,n≥1}为同分布ρ-混合序列,EX1=0,{an,n≥1}为正实数序列,An=n∑k=1 ak↑∞（n→∞）,考虑Jamison型加权和Tn=1/An∑k=1 akXk,在类似Jamison等（1965）的条件下,证明了Tn的强收敛性,即Tn→0,a.s.（n→∞）,把已有的结论推广到了ρ-混合序列的情形.     

Banach空间中积分微分方程周期边值问题

给出了Banach空间中非线性一阶积分微分方程周期边值问题在一序区间上的最大解与最小解的存在性。     

NA序列加权和的收敛性

设t0∈（0，1），Wnt（t0）是关于实变量t1，t2，…,tn的权函数；随机变量序列Y1，Y2，…，Yn是NA的，本文研究了随机变量序列加权和∑i=1,n Wni（b）Y；的收敛性，所得结果是iid情形的推广。     

基于PD型迭代学习的液压机械手轨迹控制

液压机械手作业系统的任务规划具有重复性,为了对液压机械手作业动作进行有效控制,建立了适合机械手作业系统的迭代自学习控制规律.只要增益Kp、Kd及学习因子α满足一定的条件,则该学习控制就是稳定的.通过对系统数字仿真,结果表明带学习因子的PD型迭代学习控制,较传统的PD控制有更好的动态响应特性,稳态误差小,具有一定的自适应性和鲁棒性.采用这种PD型前向反馈学习控制规律,只要机械手各关节变量的位置锁定,就可在期望的范围内实现抓取和释放动作.因此,该控制算法适合液压机械手系统的控制要求,能对其作业进行有效控制.图6,表1,参8.     

极限编程初探

简单介绍了极限编程（XP）软件方法，讨论了使用极限编程的益处，进而结合自身项目经验和对极限编程的实践提出了适合当前软件业的9条实施建议，以期对提高软件生产质量和效率能有所裨益。     

φ-半压缩算子不动点和φ-强增生算子方程解的带随机混合型误差的迭代逼近

引入带随机混合型误差的Ishikawa和Mann迭代程序列，在实Banach空间中研究了φ-半压缩算子具有不动点和φ-强增生算子方程解的带随机混合型误差的Ishikawa和Mann迭代程序的逼近问题，使用新的分析技巧，建立了几个强收敛定理，从而统一和发展了Chidume^[1]，Zhouc^[2]，Osilikee^[1]和笔者[4]的最新结果。     

基于正则方法与迭代技术相结合的复杂温度场重建算法

针对傅里叶正则算法在复杂温度场重建过程中存在的不足 ,首先用正则化方法获得温度场重建这一不适定问题的稳定解 ,然后利用迭代技术对解进行一次迭代优化修正 ,充分考虑观测矩阵降质对温度场重建的影响·提出一种基于正则化方法与一次迭代技术相结合的复杂温度场重建算法·仿真结果表明该算法温度场重建精度优于傅里叶正则算法 ,能快速而较高精度地重建出复杂温度场二维温度分布