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。     

改进的梯度去伪控制算法

针对梯度去伪控制算法中存在的易卡于极点,以及收敛速度慢的缺陷,给出了一种改进的梯度去伪控制算法.在自适应律中加入形式为上一时刻参数变化量的动量项时,当参数为局部极点时就能够跳出极点,而且能够有效地提高系统的收敛速度.该算法只需利用采集的数据,而不依赖于系统模型.仿真结果验证了所给出的改进的梯度去伪控制算法的有效性.     

一类非线性方程隐式格式的稳定性分析

本文针对RLW方程提出一个守恒型隐式差分格式,并对该格式的格式的截断误差进行了分析,证明了格式的稳定性与收敛性。     

多级连续闪蒸结晶过程的模拟与分析

文中基于物料衡算方程、热量衡算方程、粒数衡算方程、溶解度方程和结晶动力学方程建立了多级连续闪蒸结晶器的数学模型。对于模型中非线性方程组的求解,提出了以结晶内浓度为迭代变量的新迭代算法,该算法初值易确定并具有良好的稳健性和收敛速度,计算结果与文献报道值符合良好。在此基础上以一个KNO₃三级连续闪蒸结晶过程为例考察了首级结晶器的温度和停留时间以及进料浓度对结晶产品粒度分布的影响。     

决策要素动态变化的群体决策偏好演化过程

研究交互式动态群体决策偏好收敛自适应过程的内在机制和规律,发现和控制影响群体一致度和偏好收敛时间的关键因素,以改善群体决策时间绩效. 应用计算实验方法,基于Deffuant有界自信假设的妥协策略,在微观层面上构建偏好演化动力 学模型,模型符合群体决策共识过程原则要求;在模型基础上观察分析个体属性特征对一致性绩效、收敛时间绩效的作用. 论文在决策成员社会惰性、空间位置、决策偏好动态变化的决策情景中,研究决策者社会惰性对群体决策偏好收敛时间的影 响. 建立了动态群体决策的概念框架,分别针对惰性不变的偏好演化模型和惰性变化的偏好演化模型设计了两个计算实验. 实验1：比较不同社会惰性水平p^*和不同选择半径r组合下,决策偏好时间T_c的变化. 实验2：比较不同惰性 递增速率v和不同惰性递增上限ps组合下,决策偏好时间T_c的变化. 研究发现：1）社会惰性越大,对 偏好收敛的阻滞效应越显著;2） r越小,T_c随着p*递增的趋势更强;3）当扩大决策成员交互对象的 选择范围,T_c的波动减小,群体达成共识的时间更稳定;4）当社会惰性值随休眠持续期在一定范围内线性 递增时,T_c递增存在一个分界值.     

非精确线性搜索的Wolfe搜索下的新共轭梯度法

给出了一个计算βk的新公式,得到新共轭梯度法,证明了在非精确线性搜索的Wolfe搜索下新共轭梯度法是收敛的．     

求解抛物型方程的高精度并行算法

研究求解抛物型方程三层隐式差分方程组的嵌套迭代并行算法,给出了此算法的构造过程,推导论证了它的迭代收敛条件和收敛趋向。该算法具有O(△t^3 Δx^6)精确度阶和绝对稳定性,并对任意网比r和任意阶子方程组,迭代过程都是收敛的,且迭代收敛速度在每段中随网格点数P增加而增加。为提高迭代收敛速度,节省机时,还讨论了一类多点嵌套迭代算法,也给出了稳定条件、迭代收敛条件和收敛趋向。以上分析表明嵌套迭代并行算法对三层格式也是适用的,并且使并行算法的构造更加灵活。数值例子表明本算法具有高精度、高迭代收敛速度、高稳定性的特点。     

分批重复过程迭代学习广义预测控制

针对一类分批重复操作过程,提出迭代学习广义预测控制(ILGPC)算法·该算法利用以前的过程输入输出信息,在GPC结构中增加干扰预测估计的迭代学习前馈回路,通过对部分可重复干扰的估计和学习,提高了分批重复操作过程的控制品质,减小了跟踪误差·对算法的稳定性做了分析,并以间歇聚合反应过程为仿真对象,研究了算法的稳定性和鲁棒性·     

基于GaussNewton-NL2SOL法的前馈神经网络及应用

目前基于高斯牛顿法及其衍生算法的前馈神经网络虽然可以达到局部二阶收敛速度,但只对小残量或零残量问题有效,对大残量问题则收敛很慢甚至不收敛.为了实时解决神经网络学习过程中可能遇到的小残量问题和大残量问题,引入NL2SOL优化算法,并与GaussNewton法相结合,构建基于GaussNewton-NL2SOL法的前馈神经网络.仿真实例表明,该神经网络较好地解决了残量问题,具有良好的收敛性和稳定性.     

一类单叶调和函数族的极值点与支撑点

设T是由具有形式f(z)=z-∑n=2^ ∞αnz^N-∑n=2^ ∞bn z^-n,且满足条件αn≥0,bn≥0,∑n=2^ ∞n（αn bn)≤的所有复值调和函数组成的函数族．找出了函数族T的极值点与支撑点．