变分迭代法求解一个抛物型方程的反问题

变分迭代法已被应用于求解一类含有未知参数线性抛物型方程的反问题中,它通过Lagrange乘子求得未知参量的精确值.变分迭代法可以快速得到收敛于反问题精确解的收敛序列,从而得到精确解.为了说明该方法的有效性,给出了两个实例.     

改进的变分迭代法在Fokker-Planck方程中的应用

讨论将改进的变分迭代法应用于Fokker-Planck方程或者其相似的方程并求精确解.通过其简便的计算得到方程的解,与Adomian分裂法对比可知变分迭代法求收敛解的速度比后者要快速、简单.     

椭圆方程右端反问题的一类解法

本文关于求解椭圆型偏微分方程右端项提出了一种混合方法，即结合“输出最小二乘法”与“方程误差法”，将原问题化为约束优化问题，再利用增广Ｌａｇｒａｎｇｅ泛函方法将所导出的优化问题化为无约束优化问题，并给出了解与Ｌａｇｒａｎｇｅ乘子的估计式     

用变分迭代法求解Hirota-Satsuma型耦合KdV方程组

用变分迭代法研究了Hirota-Satsuma型耦合KdV方程组,求出了Hirota-Satsuma型耦合KdV 方程组的近似解,利用Matlab对近似结果和精确解进行了模拟.     

一维抛物方程初边值问题拟多重网格预处理迭代法

把多重网格法和预处理方法结合起来用于一维抛物方程初边值问题上,得出用于一维抛物方程的预处理迭代矩阵。通过数值实验,证明此方法可行,并得出了收敛速度快,并且收敛性不依赖于w等结论。     

一类抛物型方程的摄动问题

讨论了一类具有奇性右端项的抛物型方程的初边值问题的摄动问题，考察了摄动问题广义解的存在性及其极限性态，证明了当ε趋于零时，摄动问题的解在一定意义下收敛于原问题的解．     

一类抛物型方程的熄灭

解的熄灭现象是非线性抛物型方程解的一个重要性质,有着广泛的物理背景。受文[1]启发,在文[3]的基础上,采用能量估计的方法,讨论了一类抛物型方程初边值问题ut (-Δ)2u λ|u|γ-1u-βup=0,(x,t)∈Ω×(0,∞)′uvi|Ω×(0,∞)=0,i=0,1u(x,0)=u0(x),x∈Ω解的渐近性态。得到当0<γλ0时,以上方程的解在有限时间熄灭。在此基础上,本文还给出了解的能量估计。     

抛物型方程的自适应正交配置算法

本文针对抛物型方程数值解不稳定的问题，利用牛顿迭代法来求解隐式Euler方法所给出的离散格式，获得了数值解较为稳定的抛物型方程自适应正交配置算法。     

一类Schrdinger型方程反问题的收敛性分析

针对一个利用终端观测值重构二阶Schrdinger方程零阶项系数的反问题,基于最优控制理论框架,将原问题转化为一个最优控制问题,利用导数理论和Poincaré不等式得到了带有误差扰动的输入数据极小元的收敛性.     

一类抛物型方程的有限差分法

利用有限差分法求解了抛物型方程边值问题,得到了相应的稳定性分析,并进行了数值模拟。模拟结果表明该方法是可行的、有效的。     

关于解线性方程组的迭代法

给出了几个上三角迭代公式，讨论了它们的收敛性，给出了选代法的一个新的一般形式和一个矩阵迭代公式，一般形式为构造快速收敛的迭代提供了方便，矩阵迭代则是一种具有较快敛速的算法．讨论了迭代法进行消元的问题，误差估计的结果表明用迭代法进行消元是稳定的、可行的．     

变分迭代方法在延迟微分代数方程中的应用

采用变分迭代方法求解一类非线性延迟微分代数方程,获得了相应的收敛性结果.数值试验说明了变分迭代方法求解延迟微分代数方程是一类高效算法.     

解抛物型方程的拟谱有限元方法

考虑抛物型微分方程的拟谱有限元方法，构造了半离散和全离散的拟谱有限元格式并得到了最佳Ｈ１模误差估计     

拟对角占优矩阵方程组迭代解法的收敛性

讨论了系数矩阵为拟对角占优矩阵的方程组迭代解法的收敛性，给出了解拟对角占优矩阵方程组Jacobi迭代法，G—S迭代法和SOR方法的收敛条件。     

CQ算法修正的粘滞迭代格式的强收敛性

设H是Hilbert空间,C是H中的非空闭凸子集,T是C→C的非扩张映像,厂是C→C的压缩映像,在假定集合Fix（T）非空的情况下,用CQ算法修正粘滞迭代格式,得到了强收敛性。     

用正则化方法求抛物型方程的数值解

利用吉洪诺夫正则化方法,讨论了问题(1)中源密度函数f的求解问题,并给出稳定化的数值解.     

求解非线性方程组的一种新的数值方法

借鉴求解非线性方程组的牛顿方法的思想,推导出了一种求解非线性方程组的新迭代格式,并给出了详细的算法步骤.结合具体算例,验证了该算法的收敛性,并证实了新的迭代方法相对于牛顿迭代方法具有避免求导数的优点.     

构建多目标规划理想修改点的迭代法

通过对多目标规划求解理想值的进一步分析,为寻找有效解而构造了理想修改点,并进而提出由各目标的重要性赋予各自的权重,再探索出新的迭代算法,从而使多目标规划达到符合实际及决策者所需的有效解。