变步长极化对消迭代滤波算法

分析了定步长自适应极化对消(APC)迭代算法,在此基础上提出了一种变步长的极化对消迭代算法,并分析了该算法的收敛条件和收敛性能。通过Matlab仿真,比较了参数变化对变步长算法收敛速度的影响,并且将定步长算法与变步长算法进行了比较,得出了变步长算法收敛速度更快的结论。     

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。     

自适应惯性权重的改进粒子群算法

针对标准PSO算法求解高维非线性问题时存在的大量无效迭代(经过一轮迭代后全局最优位置保持不变),提出了一种自适应惯性权重的改进粒子群算法。基于单次迭代中单粒子运动状态的分析,提出并证明了论点:上一轮迭代适应度值变差的粒子,当前迭代中其惯性分量将引导粒子往适应度值变差的方向运动,导致粒子群体无效迭代次数增加。设计了标准PSO算法改进方案,将上一轮迭代中适应度值变差的全体粒子的惯性权重置为零,消除当前迭代中不利惯性分量对算法收敛的不良影响。采用6个标准测试函数,将该算法与标准PSO算法、固定惯性权重PSO算法和具有领袖的PSO算法进行性能对比分析。试验表明,该改进算法无效迭代次数更少,在收敛率、收敛速度和收敛稳定性上均具有明显的优势。     

BP模型的改进算法及其在负荷预测中的应用

分析了BP模型学习算法——累积误差进传播算法在接近极小点时收敛速度变得异常缓慢的原因,并通过对连接权值的调整量引入权重系数,提出了一种改进的BP模型学习算法,大大加快了收敛速度,提高了收敛性。还利用提出的改进算法对某省中期负荷进行了预测,算例结果表明了该算法的有效性。     

凸可行问题的一种次梯度投影算法

提出了一种次梯度投影算法,解决凸可行问题,该算法在迭代过程中采用Armijo线搜索规则计算预测步长,且进一步给出一个校正步长规则,从而提高了算法的收敛性和收敛效果.最后给出了数值实例,表明算法的有效性.     

一种新的Newton法

在Newton法的基础上,提出了一种新的迭代格式,并论证了其收敛性,该方法具有二次收敛的特点,比一般迭代法收敛快。     

变尺度混沌量子粒子群算法

利用混沌算子的遍历性,结合量子粒子群的快速收敛性,提出了变尺度混沌量子粒子群算法(CQPSO)。针对标准粒子群容易陷入局部最优的缺陷,CQPSO能快速收敛到最优解。对标准测试函数的测试结果表明:该算法在收敛速度和收敛精度上都得到了大幅度的提高。     

一种新的基于分裂法的矢量量化算法

提出了一种新的适合于矢量量化技术的码书设计算法,它的主要思想是依据等误差准则和分区域收敛性质,对满足迭代终止条件的质心区域进行标记,以后不再对已标记区域进行迭代,每一步迭代执行基于分裂码字的改进LBG算法.该算法简单,能极大地提高训练速度,并得到较低的失真,而且还适合于并行计算.理论分析和实验结果表明本文提出的算法是有效的并优于其它算法.     

面向安全服务重组多目标优化的粒子群遗传算法

遗传算法具有快速随机的全局搜索能力,但局部搜索能力差,易陷入早熟收敛,迭代效率低.粒子群算法采用速度——位置模型,可以较快收敛到指定精度.将粒子群算法与遗传算法融合,采用多目标遗传算法得出初步的优化结果,并将其作为粒子,利用粒子群算法强化局部搜索,加快收敛速度,仿真结果证明了该算法的优越性.在CSSM对底层安全服务的重组时利用粒子群和遗传算法的结合(GAPSO),能够提高效率.     

Hilbert空间中κ-严格伪压缩的强收敛定理(英文)

在无穷维Hilbert空间中,即使对非扩张映像Mann,迭代算法仅有弱收敛。为了得到强收敛定理,该文利用Hilbert空间中闭凸子集的一个序列和一个给定向量作适当的凸组合修改Mann迭代算法,在Hilbert空间中给出了一个新的κ-严格伪压缩修正的Mann迭代算法——似Ishikawa迭代算法,并且建立了该算法的强收敛定理。推广和改进了一些最新的结果。     

关于北京市粮食应急投放网点分布优化模型的研究

自2003年至今,在应急指挥系统统一部署下,北京已经初步形成由应急储备、应急投放、应急加工三个环节构成的应急流程体系。本文主要提出了优化北京市粮食应急投放网点位置的算法。本文借鉴经典的K-Means算法的算法思路,在建立合理的数学模型的基础上,对模型进行迭代求解,达到了快速收敛的目的。本文同时对可能的应用情况进行了分析,并对算法的收敛性进行了证明。     

准EL算法下ARMAX模型的阶估计

本文给出了一种推广的 BIC 准则,根据对准 EL 算法的估计和对 ARMAX 模型变形后的全项f_(n 1)的估计所得到的有关结果,讨论了一种确定 ARMAX 模型阶数的方法。并给出了在推广的BIC 准则意义下关于 ARMAX 模型阶数的最优估计和阶估计的收敛性。同时,也得到了该模型系数矩阵估计的收敛性和收敛速度。     

解非线性方程组的异步并行区间算法

基于ＭＩＭＤ多处理机系统，提出一种求解非线性方程组的异步并行区间算法，对算法的实现原理及结构作了详细分析，讨论了算法的收敛性及效率估计，所得结果表明该算法比常用串行区间算法的计算量小，收敛速度较好。     

求解线性互补问题的AOR算法

建立了求解线性互补问题的加速松驰迭代算法，并在一定条件下，证明了新算法的收敛性。     

单向收缩QR算法在奇异值分解中的收敛特性

针对大型矩阵奇异值分解的数值计算问题,总结了单向收缩QR算法的特点,通过实例证明了该算法在处理由某些小幅度信号构造的大型矩阵的奇异值分解时存在不收敛的情况。从理论上分析了QR迭代过程中Givens变换矩阵的变化特点,发现算法出现不收敛现象的根本原因在于大型矩阵首行对角带元素的衰减,最终会使QR迭代时的第一个Givens右矩阵变为单位阵,从而导致后面所有Givens矩阵全部成为单位阵,引起QR算法失效。在此基础上进一步研究了首行元素的衰减对QR算法收敛速度的影响。对理论分析用实际数据进行了验证,从本质上探明了该QR算法的收敛特性。     

块Jacobi迭代阵的收敛性

研究大型线性方程组迭代解法中分块ＪＡＣＯＢＩ迭代阵的收敛性。采用块矩阵分析方法和谱半径降维估计法得到块Ｊａｃｏｂｉ迭代阵收敛的实用充分条件。     

一种前馈神经网络综合快速学习算法

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LM(Levernberg-Marquardt)法相结合，构建基于LM-NL2SOL法的前馈神经网络学习算法．仿真实例表明，该神经网络学习算法较好地解决了残量问题，具有良好的收敛性和稳定性．     

Hilbert空间中一类拟变分不等式问题

研究了一类新的无穷簇广义集值拟变分不等式问题,利用Nadler定理,得到并构造了逼近解的迭代算法,证明了这类拟变分不等式的解的存在性及该算法产生的迭代序列的收敛性。     

一种改进的递归神经网络盲均衡算法

提出了一种新的基于递归神经网络的快速收敛盲均衡算法。设计中采用观测信号的四阶统计量构造代价函数,简化了系统的复杂度;利用实时递归学习算法对系统参数进行动态调节。该算法具有镇定性,其收敛性能不会受到失真信道的影响,适用于均衡衰落性严重的信道。实验仿真结果表明对具有频率选择性衰落的非线性信道,该算法在收敛速度和对抗码间串扰方面都具有良好的性能。     

基于个体位置变异的粒子群算法

针对粒子群算法随着迭代次数的增多,其种群多样性降低,粒子群算法容易陷入局部最优的不足,提出了一种基于个体位置变异的粒子群算法。该算法在保证最终收敛的前提下极大扩展了粒子的空间搜索范围,从而降低了粒子群算法发生早熟的可能,并且程序量较小。仿真实验中,将算法应用于6个典型测试函数中,并与其它改进粒子群算法进行比较,结果表明,该算法具有较强的全局寻优能力和较好的收敛速度,明显提高了粒子群算法的优化性能。