一类广义鞍点问题迭代解法的收敛性分析

给出一类广义鞍点问题迭代解法的收敛性分析结果,降低了目前已有相关结论的适用条件,因而使得相关结果具有更广泛的应用性．     

一类关于IDP-SOR方法的鞍点问题(英文)

针对大型稀疏鞍点问题给出了一种新的迭代解法,该方法的构成是基于对系数矩阵进行的一种分裂,A∈Rn×n是对称正定矩阵.利用不完全分解法分解A为LLT+R,通过适当选取预处理矩阵和待定系数,证明该迭代法是收敛的,并且以定理的形式给出了新迭代法收敛的充分必要条件.     

一类广义鞍点问题的分裂预处理

对于广义鞍点问题,基于参数化的Uzawa方法提出了一种新的预处理子,通过分析预处理后的系统,发现当参数t→0时,其特征值将集中到0和1,因此,当在Krylov子空间中使用某些GMRES迭代方法时,它将保证较好的收敛性.最后,运用Navier-Stokes方程中的一些例子进行实验,验证了这个预处理子的实际效果.     

基于图的蚁群算法求解一类0-1规划问题

基于图的蚁群算法求解一类0-1规划问题.此算法将0-1规划问题抽象为一个有向图,模拟蚂蚁的觅食行为,由一组蚂蚁反复地在图上运动搜索,最终得到最优解.在给出算法的具体步骤后,用3个具体算例对算法进行测试.结果表明该算法具有良好的收敛性和稳定性.     

一类时滞模糊BAM神经网络周期解的全局指数稳定性的新准则

研究了一类具变时滞模糊BAM(bi-directional associative memory)神经网络.利用Yang不等式和构造Lyapuonv函数等技巧,在弱化条件下给出了BAM神经网络周期解的全局指数稳定性的充分条件.     

一类时滞BAM神经网络的全局指数稳定性的新准则

利用M-矩阵理论以及Halanay不等式技巧,给出了一类含有变时滞的非自治BAM(bi-direc-tional associative memory)神经网络周期解的全局指数稳定性的充分条件,这些条件去掉了对激活函数的有界性、单调性和可微性的要求,且在某些情况下更易验证.最后通过一个例子验证了所给结果的有效性.     

求解有界约束LS问题的神经网络

神经网络是一门新兴的信息处理技术,它可用于优化问题的实时求解,本文针对有界约束LS问题,从数学理论出发设计出一种神经网络模型,能实时处理得到最优解。     

一类MECOC问题的NADI迭代法求解

根据多调和涡流控制最优化(MECOC)问题对应方程离散得到的线性方程组系数矩阵的特殊结构,得到求解该代数方程组的一种新的交错方向隐格式迭代法——NADI迭代格式,对NADI迭代格式进行收敛性分析,并用数值试验进行验证。     

求解线性变分不等式的一种新的时滞投影神经网络

考虑了线性变分不等式问题.提出了求解它的一种新的时滞投影神经网络模型.利用泛函微分方程理论,证明了新模型解的存在惟一性,并给出了时滞投影神经网络全局指数稳定的充分条件.用数值模拟说明提出的神经网络的性能.     

一类有高阶鞍点的五次系统的全局结构

讨论了带有高阶鞍点的一类平面五次微分系统的全局结构．     

时标上一类神经网络的指数同步(英文)

基于时标微积分学理论和Lyapunov泛函,我们得到了时标上一类神经网络指数同步的充分条件,这些条件在应用上容易用代数方法检验因而意义重大,我们的结果统一和推广一些连续神经网络和对应的离散情形的相关结论.     

一类具有脉冲和时滞的细胞神经网络系统的反周期解

通过微分不等式分析技巧，得出了一类具有脉冲和时滞的细胞神经网络系统反周期解存在性和全局指数稳定性的新的充分条件，推广和改进了已有文献的相关结果。     

一类推广的时滞人工神经网络系统模型的全局指数稳定性

文章研究了一类推广的具有变时滞的人工神经网络系统模型的全局指数稳定性.通过Lyapunov稳定性理论,给出了该时滞神经网络系统模型平衡点唯一和全局指数稳定的一类判定条件,并通过典型实例来说明本文结果的应用.     

一类变时滞脉冲递归神经网络的周期解的稳定性

研究了一类变时滞脉冲神经网络的周期解的全局指数稳定性。通过构造恰当的Ly—apunov泛函,并利用线性矩阵不等式方法,得到了确保此网络全局指数稳定的充分条件。数值模拟验证了所得结论的正确性并说明了所给条件的易检验性。     

时标上具有界和无界时滞的Cohen—Grossberg神经网络的全局指数稳定性

本文在时标上研究了具有有界和分布时滞的Cohen-Grossberg神经网络,应用压缩映射原理、Lyapunov泛函方法和一些分析技巧,得到该模型平衡点的存在性和全局稳定性的充分条件.本文是首次应用时标理论将相同框架下的Cohen-Grossberg神经网络的连续系统和离散系统统一起来.     

Stability Analysis of Cohen-Grossberg Neural Networks with Time-Varying Delays

In recent years, Cohen-Grossberg neural net-works (CGNNs) have received increasing interest dueto its promising potential for applications in classifica-tion, parallel computing, associative memory and es-pecially in solving some optimization problems. Wh…