Jacobi和Gauss—Seidel迭代法收敛性的判定

给出了Jacobi和Gauss-Seidel迭代法收敛的新的判定准则，同时给出了块Jacobi和Gauss-Seidel迭代法收敛的新的判定准则。     

Jacobi与Gauss-Seidel迭代法求解线性方程组收敛性比较与研究

Jacobi迭代法和Gauss-Seidel迭代法是计算机求解线性方程组常用的两种迭代法,但是这两种方法对方程的收敛性要求很严,大部分方程组均不能用以求解.给出一些基本技巧:对于简单的2阶方程组,若Jacobi法与Gauss-Seidel法均发散,可交换其两行求得其解;对一般性方程,给出一个应用性较强的定理,将方程Ax=bAT Ax=ATb,可以用Gauss-Seidel求得任何|A|≠0方程组的解.     

新预条件Gauss-Seidel迭代法及收敛性比较

针对Gauss-Seidel迭代法求解线性方程组,引入了一种新的预条件矩阵.当系数矩阵为广泛应用的M-矩阵时,给出了该预条件Gauss-Seidel迭代法与经典Gauss-Seidel迭代法的比较定理,其说明了新预条件Gauss-Seidel迭代法是收敛的且加速了经典Gauss-Seidel迭代法的收敛速率.证明了新预条件Gauss-Seidel迭代法优于已有预条件Gauss-Seidel迭代法.最后用一个数值例子来验证所得结论的有效性.     

Gauss-Seidel技巧在一个迭代法中的应用

讨论了Gauss-Seidel技巧在一个迭代法中的应用,获得了收敛性和收敛阶的结论.数值例子表明Gauss-Seidel技巧的应用使迭代过程收敛得更快.     

解线性方程组的Jacobi迭代法和投影法之比较

从线性方程组的多参数投影法推出Jacobi迭代法。从最优化的现点分析了Jacobi迭代法收敛速度较慢的原因，即其下降矩阵与步长向量两者并非最优组合。     

Gauss—Seidel技巧在一个迭代法中的应用

讨论了Gauss-Seidel技巧在一个迭代法中的应用,获得了收敛性和收敛阶的结论。数值例子表明Gauss-Seidel技巧的应用使迭代过程收敛得更快。     

多参数MRV算法的算法设计与数值实验

MRV迭代法是求非线性方程组的数值解的一种Newton型迭代法. 它通过修改右端向量, 使得迭代过程中各步的线性方程组具有相同的系数矩阵. 在每步迭代过程中,利用一个参数的选择,来优化步长修正量. MRV迭代法的收敛速度较快, 界于定点Newton法和Newton迭代法之间. 借助于LU分解, 可使其计算成本降低, 低于定点Newton法. 这是一种非常实用的算法. 然而,其收敛速度仍需提高. 为此, 文献[9]利用多个参数, 得到一种新的迭代法--多参数MRV迭代法, 并对其收敛性进行了严格的证明. 通过对该算法进行进一步的研究,特别是对那些仅含少量非线性方程的非线性方程组,设计出一些比较好的算法, 既克服了Newton法每个迭代步都要计算Jacobi矩阵的缺点, 又保持了和Newton型迭代法相同的收敛速度. 并通过数值实验, 对这些算法的优点进行了验证.     

严格对角占优矩阵的迭代法

对于给定的线性方程组,在求数值解时常采用Jacobi、Guass-Seidel和SOR迭代法进行求解.给出了在严格对角占优条件下Jacobi、Guass-Seidel和SOR收敛的误差.在三者中Guass-Seidel迭代法的误差上界比Jacobi迭代法和SOR迭代法的误差上界小,因此采用Guass-Seidel迭代法来进行求解严格对角占优阵是一种较好的选择.     

H-矩阵方程组的预条件迭代法

针对系数矩阵A为H-矩阵的线性方程组,引入了预条件矩阵I+Wβ.通过对系数矩阵施行初等行变换,提出了求解线性方程组的一种新的预条件Gauss-Seidel方法.给出了若A为H-矩阵,则(I+Wβ)A仍然为H-矩阵,并且得到了收敛性定理;从理论上证明了新的预条件Gauss-Seidel迭代法较经典的Gauss-Seidel迭代法收敛速度快;最后通过数值算例说明了新的预条件Gauss-Seidel迭代方法的有效性.     

关于一个代数方程迭代解法的收敛性

讨论一个代数方程迭代解法的局部收敛性。对适当范围的初始值证明该迭代法收敛且至少具有3阶敛速,并讨论Gauss-Seidel加速技巧在其中的应用。     

LS-MIMO系统基于经典迭代法的低复杂度检测算法

针对大规模多输入多输出（LS-MIMO）系统最小均方误差（MMSE）检测算法计算复杂度高的问题,提出了基于经典迭代法的低复杂度信号检测算法,包括Jacobi迭代法、高斯-赛德尔迭代法和逐次超松弛迭代法. 从精确解的近似值出发,在较少的迭代次数中可获得高效而精确的解,而且计算复杂度相比MMSE检测算法下降一个数量级. 仿真结果表明,迭代检测算法经过有限的迭代能够达到近似MMSE检测算法的误码率性能.     

修正的共轭梯度法在两种线搜索下的全局收敛性

针对参数βk的不同选取可以构成不同的共轭梯度法,给出了一类求解无约束最优化问题的修正的共轭梯度算法,这种算法能够在较弱条件下证明选定的卢。在每一步都能产生一个下降方向,且在Wolfe线搜索下具有全局收敛性．另外这种算法在另一种Wolfe搜索条件下,若搜索方向为下降时,也具有全局收敛性．     

一种动态分群带熵权的粒子群优化方法

为提高粒子群优化的求解性能,提出了一种动态分群带熵权的粒子群优化求解方法．该方法采用k的均值聚类获得子群总数,在子群粗搜索过程中充分利用其他粒子的熵信息,采用子群及其他子群搜索的最优解信息构建熵权以调整惯性权重,利用自身群粒子经过m次迭代时的优化信息构建熵权以调整本群的全局最优值．在子群精搜索过程中,利用各子群获得的最优解信息作为新群的初始设置,利用其他粒子的迭代信息构建熵权来调整全局最优值．采用传统的粒子群优化算法、其他文献中的方法以及新提出的方法分别对4个经典的测试函数进行对比实验,从获得解的最优值、平均值、标准差以及平均迭代数作对比,从而验证了该方法具有求解精度高以及优化求解迭代次数少等优点．     

牛顿法和弦截法在小流域设计洪水中的应用比较

应用推理公式计算小流域设计洪水常采用迭代法求取洪峰流量.应用VB高级编程工具将牛顿法和弦截法这2种常用的迭代法进行了程序化,并应用于小流域设计洪水计算.计算结果表明,牛顿迭代法计算成果迭代次数少,收敛速度快,是小流域设计洪水迭代求解法中较好的选择.     

基于通用图形处理器的Jacobi算法研究

迭代法解线性方程组在工程和科学计算的各个领域都有着十分广泛的应用。文章介绍了Jacobi迭代法在支持CUDA的GPU上的映射以及实现。实验结果表明,Jacobi算法适合CUDA的计算架构,能够有效地利用GPU计算能力,获得良好的性能。     

Jacobi迭代预处理中的条件数与迭代次数的关系

为改进共轭梯度法的性能，降低方程组系数矩阵的条件数，需对原方程进行预处理。在Jacobi迭代预处理中矩阵的条件数并不随迭代次数的增加而单调减少，而是有所起伏。通过对Jacobi迭代矩阵G的特征值情况的分析，讨论了矩阵的条件数与迭代次数的关系。     

系统辨识(7)：递阶辨识原理与方法

递阶辨识是系统辨识的一个重要分支.递阶辨识原理是在大系统递阶控制的“分解-协调原理”基础上发展起来的,它不仅能够解决参数数目多、维数高、大规模系统辨识算法计算量大的问题,而且能够解决结构复杂的双线性参数系统、多线性参数系统以及非线性系统的辨识问题.首先介绍递阶辨识原理和线性方程组Ax=b的著名雅可比迭代和高斯-赛德尔迭代,给出了线性方程组的迭代方法族;其次将雅可比迭代思想和递阶辨识原理用于研究一般矩阵方程和耦合矩阵方程的递阶梯度迭代求解方法和递阶最小二乘迭代求解方法;再次介绍了方程误差模型的两阶段最小二乘辨识方法(一个简单的递阶辨识方法)和线性回归模型的递阶最小二乘辨识方法;最后研究了类多变量CARMA系统的递阶辨识方法.     

结构动力响应分析的多重网格方法

提出了一种适合于有限元分析中求解结构动力响应的多重网格方法,该方法利用初始网格下的结果,通过双线性插值技术得到网格变化后新的近似位移向量,然后由多重网格迭代过程求解结构动力响应问题。在多重网格迭代的前光滑过程中,选择了共轭梯度法提高其收敛率;在粗网格校正过程中,给出了一种近似求解位移向量误差的方程;在后光滑过程中,选择了Jacobi松弛迭代提高解的光滑性。该方法将网格离散过程和数值求解过程结合在一起,建立了一个网格细分后结构动力响应问题的快速重分析方法,与传统有限元方法相比较,具有计算简便、迭代步骤少,运算时间短等特点,可以作为结构动力问题自适应有限元分析的一种十分有效的工具。同时,本文还给出了一种简单实用的时间步长划分的自适应方法。