自由边界问题的改进投影算法

【目的】自由边界问题在变分不等式中具有重要的应用,而很难用数值方法直接得到它的解。【方法】利用有限差分近似,得到该问题的一个新的投影不动点算法。【结果】将自由边界问题离散为一个标准的有限维线性互补问题,而该问题又等价于一个投影不动点问题。于是得到求解自由边界问题的改进投影算法,并给出了算法的具体过程。【结论】理论分析和数值结果都表明了所给算法的有效性。     

求解单侧障碍问题的自适应投影方法

【目的】单侧障碍问题在变分不等式中具有重要的应用,但不存在或很难求其精确解,所以很有必要进行数值解法的研究。【方法】利用有限差分格式将障碍问题离散为一个线性互补问题,得到该问题的一个投影不动点算法。然后用投影方法得到了变参数的算法,并在迭代过程中自动调整参数,每一步迭代只需求解一个线性方程组。【结果】将障碍问题离散为一个有限维的线性互补问题,而该问题等价于投影问题,于是得到了求解障碍问题的自适应投影算法。【结论】最后用数值算例验证了算法的有效性,与固定参数的投影算法相比较。数值结果表明参数对自适应投影算法影响较小,而且该方法收敛速度更快。
     

求解单侧障碍问题的自适应投影方法

【目的】单侧障碍问题在变分不等式中具有重要的应用,但不存在或很难求其精确解,所以很有必要进行数值解法的研究。【方法】利用有限差分格式将障碍问题离散为一个线性互补问题,得到该问题的一个投影不动点算法。然后用投影方法得到了变参数的算法,并在迭代过程中自动调整参数,每一步迭代只需求解一个线性方程组。【结果】将障碍问题离散为一个有限维的线性互补问题,而该问题等价于投影问题,于是得到了求解障碍问题的自适应投影算法。【结论】最后用数值算例验证了算法的有效性,与固定参数的投影算法相比较。数值结果表明参数对自适应投影算法影响较小,而且该方法收敛速度更快。     

求解双侧障碍问题的自适应投影算法

对一类具有双侧障碍的自由边界问题得到求它的数值解的自适应投影迭代算法。采用有限差分法将障碍问题离散为有限维双侧障碍问题,该问题等价于一个新的投影不动点问题,可得到双侧障碍问题的投影算法。并通过迭代数据自动调整投影算法的参数,加快其收敛速度。从而提出求解双侧障碍问题的自适应投影算法,给出算法过程和收敛性分析。理论分析和数值算例结果都表明该算法的有效性。     

自由边界问题的线性互补投影迭代算法

对一类自由边界问题,提出了基于线性互补问题的投影迭代算法.用有限差分对微分模型离散化后得到一个正定线性互补问题,然后导出与之等价的不动点问题,从而提出求解线性互补问题的投影迭代算法.利用投影原理,证明了该算法的收敛性.数值结果表明了算法的可行性和有效性.     

自由边界问题的自适应预测-校正算法

对一类自由边界问题,提出了基于线性互补问题的自适应预测-校正算法.用有限差分对微分模型离散化后得到一个正定线性互补问题,该问题等价于一个不动点问题,从而得到求解线性互补问题的自适应预测-校正算法.用正定性及投影基本性质可证明算法收敛性.给出了具体的算法过程,数值结果表明了算法的可行性和有效性.     

求解自由边界问题的投影收缩算法

利用线性互补方法,得到了求解自由边界问题的投影收缩算法。采用差商对问题的近似导出系数矩阵正定的线性互补问题,得到了基于不动点理论的投影收缩算法。用投影和正定性质分析了算法收敛性。并给出了的算法实现过程,数值算例验证了该方法的可行性和有效性。     

求解自由边界问题的自适应投影方法

对一类自由边界问题,提出了基于线性互补问题的自适应投影算法.采用有限差分格式将自由边界问题离散为一个线性互补问题,然后用自适应投影迭代算法求其数值解,该方法在迭代过程中自动调整参数,达到加快收敛速度的目的,每一步迭代只需要求解一个线性方程组.给出了具体算法过程,并利用投影性质得到了它们的收敛性分析.最后用数值算例对算法验证,与已有的算法比较,结果表明:参数对自适应投影算法影响较小,该方法收敛速度更快.     

关于两族拟Lipschitz映像的非凸混杂算法

【目的】研究两族渐近拟 Lipschitz映像的公共不动点的迭代方法以及强收敛性的证明。【方法】利用构造凸闭集的方法和投影算子的定义和性质等技巧。【结果】首先,在 Hilbert空间中,构造出一种新的关于两族渐近拟 Lipschitz映像的公共不动点的非凸混杂投影算法,其次,利用构造凸闭集的方法证明了该算法的强收敛性。【结论】所得结论是最新文献相关结论之推广。
     

模系矩阵分裂迭代法定价机制转换下的美式Kou型跳扩散期权

【目的】研究机制转换下的美式Kou型跳扩散期权模型的数值解法。【方法】基于Crank-Nicolson拟合有限体积法离散得到的线性互补问题,引入高效的模系矩阵分裂迭代法进行求解。【结果】给出了H₊离散矩阵下算法的收敛性定理。【结论】数值实验验证了新方法的有效性、稳健性和收敛性,且模系矩阵分裂迭代法的计算效率优于投影超松弛迭代法。