简介:将Solodov和Svaiter于2000年发表的Errorboundsforproximalpointsubproblemsandassociatedinexactproximalpointalgorithms一文中提出的方法进行推广,得到2类近似邻近点算法.这2类算法都是预测校正方法,预测点满足相同的非精确准则,不同之处在于校正步的下降方向.为了使每次迭代产生的迭代点更加靠近解点,在校正步均采用了最优步长的技巧.在一定条件下,可以证明这2种邻近点算法是全局收敛的.并且,从理论上证明了采用算法2每一步所产生的下降量的下界大于算法1的,所以算法2比算法1能更快地收敛到解点.数值试验也表明了这一点.
简介:基于解的充分必要条件,提出一类广义变分不等式问题的神经网络模型.通过构造Lyapunov函数,在适当的条件下证明了新模型是Lyapunov稳定的,并且全局收敛和指数收敛于原问题的解.数值试验表明,该神经网络模型是有效的和可行的.
简介:考虑了一类p-Laplacian拟线性椭圆变分不等式问题,通过运用优化理论中的补偿法和Clark次微分性质,研究了这类椭圆变分不等式解的存在性.
简介:在Hilbert空间中满足Lipschitz连续的条件,用预解方程和不动点理论,在算子强单调的条件下,通过Mann迭代和收敛性分析证明了广义混合变分不等式解的问题。
简介:考虑了一类p-Laplacian拟线性椭圆变分不等式问题,通过运用优化理论中的补偿法和Clark次微分性质,研究了这类椭圆变分不等式解的存在性.