一、概率度量空间压缩映象的拟Picard迭代收敛性定理(论文文献综述)
张芯语[1](2020)在《不动点定理与广义变分不等式和混合平衡问题的迭代收敛性》文中进行了进一步梳理本文首先在模糊度量空间中研究两类映象不动点定理,其中包括一类积分型压缩映象公共不动点定理和一类新的Altman型涉及四个映象的公共不动点定理。其次在Banach空间中,研究多值单调型映象和多值强伪压缩映象不动点的迭代收敛性问题,在没有任何有界等条件下,使用新的分析方法,建立了多值单调型映象和多值强伪压缩映象不动点的具随机混合误差Ishikawa迭代序列的强收敛性定理。最后引入了新的非扩张半群Cesàro平均粘滞迭代算法,使用粘滞迭代算法在Hilbert空间中建立了非扩张半群不动点集与广义变分不等式和混合平衡问题解集的公共元素的强收敛定理,从而推广和改进了有关文献中的相应结果。
丛培根[2](2019)在《概率度量空间一类映象不动点定理与变分不等式解的迭代逼近》文中提出本文首先简要介绍了概率度量空间一类映象不动点定理与变分不等式解的迭代逼近的研究概况和本文的工作概述.其次在非阿基米德Menger概率度量空间中,利用映象对相容条件证明了一类新的Altman型映象的公共不动点定理,作为应用还讨论了起源于动态规划的一类泛函方程组解的存在与唯一性.然后在实赋范线性空间中研究几乎一致Lipschitz映象粘滞平行迭代算法的收敛性问题,在较弱条件下建立了几乎一致Lipschitz广义渐近φ-半压缩映象不动点具混合误差的粘滞平行迭代算法的强收敛定理.最后引入了新的非扩张半群粘滞迭代算法,使用粘滞迭代算法在Hilbert空间中建立了非扩张半群不动点集与广义变分不等式解集公共元素的强收敛定理,从而推广和改进了有关文献中的相应结果。
刘屹霄[3](2017)在《考虑信息均衡与数据簇可分性的模糊软子空间聚类》文中指出聚类技术在很多领域都得到了广泛的研究和应用。本文首先对聚类问题的相关研究背景进行了总结,对常用的聚类算法进行了一定的分析介绍。通过对基于划分的聚类算法入手,研究常用的k-近邻算法和k-均值算法。根据k-近邻聚类算法提出了一种改进的特征加权算法。进一步研究k-均值算法,模糊c均值聚类算法FCM是最常用的数据聚类技术之一,它通过引入模糊的概念对传统的k-均值聚类算法进行了改进,使聚类算法效果得到了明显的提高。尽管从各个不同的角度提出了一系列FCM算法的变形,针对不同的聚类问题其聚类性能得到了一定的改善,但是FCM算法依然存在三个关键问题影响其聚类性能,具体表现在:1.对聚类数据簇的先验分布特征敏感。2.对聚类数据簇的先验概率敏感。3.容易形成可区分性差的数据簇划分结果。当面对形成聚类的数据簇先验分布特征不一致,或者先验分布不均衡这样的聚类问题时,FCM聚类效果不令人满意。为了克服这样的问题,本文提出了考虑信息均衡与数据簇可分性的模糊软子空间聚类算法EWFCM。我们提出的算法的优势主要体现在以下的几个方面:引入了数据簇类间距离以突出不同数据簇之间的可区分性,且在此基础上提出信息均衡数据簇内散布度,以及不同数据簇可分性的计算方法;引入了软子空间以提高具有不同分布特征数据簇的描述能力。并且在引入类间距离的建模过程中,将子空间描述模型与子空间之间的可区分度进行综合考虑,统一优化。我们将提出的考虑信息均衡与数据簇可分性的模糊软子空间聚类算法与传统的FCM算法,以及一些其他相关的改进算法进行比较,并进行一些对比实验。实验采用了不同形态和数据分布的人工生成数据集,真实图像以及IRIS数据集来实现不同算法性能的对比。实验结果显示我们提出的算法性能优于传统FCM算法和其他一些改进算法。
周晶[4](2017)在《测地度量空间中若干广义非扩张型映射的不动点性质》文中研究说明不动点理论是目前蓬勃发展的非线性泛函分析的重要组成部分,特别是在解决各类方程解的存在性问题中起着关键作用。自20世纪初期,Brouwer和Banach分别提出“Brouwer不动点定理”和“Banach压缩映像原理”之后,国内外数学工作者们纷纷投身到不动点理论的研究中来,使得不动点理论成为重要的数学分支。传统上,不动点理论主要是利用Banach空间理论和拓扑度理论来研究不动点性质。近几十年来,关于不动点理论的研究逐步延展到各类度量空间,例如广义度量空间、概率度量空间等。测地度量空间是一类结合了微分几何、Banach空间性质以及度量空间性质的空间框架,主要包括CAT(0)空间(字母C,A,T分别代表Cartan,Alexandrov和Toponogov)、W-双曲空间、Busemann空间等。然而,与丰富的Banach空间不动点理论的研究成果相比,测地度量空间不动点性质的研究仍处于萌芽阶段,大量问题等待深入探讨。测地度量空间的不动点理论对变分不等式的求解以及计算机图论等方面均有着重要应用,从而在测地度量空间中研究非线性算子的不动点性质具有极大的理论价值与实际意义。本文围绕测地度量空间中若干广义非扩张型映射的不动点问题展开探讨,主要包括以下四个方面的内容:首先,研究CAT(0)空间平均非扩张映射的不动点性质。得到CAT(0)空间中有界闭凸子集上平均非扩张单值映射具有不动点性质的若干定理,包括存在性定理、收敛性定理及半闭原理。同时,给出CAT(0)空间中有界闭凸子集上平均非扩张集值映射存在稳定点的判别准则。其次,研究测地度量空间C-型集值映射的不动点性质。证明CAT(0)空间中可交换的满足条件(C)的单值与集值映射的公共不动点的存在性并给出满足条件(C)的集值映射的两类收敛性定理。得到W-双曲空间上C-型集值映射强收敛的充分必要条件。再次,研究CAT(0)空间新型成对映射的公共不动点性质。在度量空间中定义两类新型的成对映射,分别称为满足条件(PCλ)和满足条件(PEμ)的成对映射,并通过例子说明它们是比非扩张映射更广的映射类型。给出CAT(0)空间中满足条件(PCλ)的成对映射公共不动点存在的等价条件并得到CAT(0)空间中满足条件(PEμ)的成对映射的半闭原理。同时,利用S-迭代证明满足条件(PCλ)的成对映射的收敛性定理。最后,研究CAT(0)空间L-型映射的不动点性质。在CAT(0)空间中讨论L-型映射与其他非扩张型映射的关系。给出CAT(0)空间中L-型映射的不动点存在性定理。此外,证明L-型映射的公共不动点的存在性定理并利用新型的三步迭代得到L-型映射的逼近定理。
孙俊[5](2009)在《量子行为粒子群优化算法研究》文中研究表明群体智能算法是通过模拟社会性生物群体的群体行为,对给定的目标进行寻优的启发式搜索算法,其寻优过程体现了随机、并行和分布式等特点。群体智能算法的典型代表是模拟了鸟类群体行为的粒子群优化(Particle Swarm Optimization,PSO)算法,由Kennedy和Eberhart于1995年提出。PSO算法自提出以来,由于其计算简单、易于实现、控制参数少等特点,引起了国内外相关领域众多学者的关注和研究。但PSO算法的缺陷也很明显。首先从理论上讲,它不是一个全局收敛算法;其次,算法的速度与位置进化公式使得粒子群的随机性和智能性较低;此外,算法性能对速度上限的依赖使其鲁棒性降低。针对这些缺点,在深入研究群体智能基本特征和人类学习模式进行思考,本文建立了基于量子δ势阱的粒子群模型,提出了量子行为的粒子群优化(Quantum-behaved Particle SwarmOptimization,QPSO)算法,该算法具有全局收敛性,控制参数更少,收敛速度快,寻优能力强等特点。本文以QPSO算法的基本原理、理论分析、参数控制为重点,系统地阐述了QPSO算法和各种改进方法以及算法在优化与控制工程中的应用,具体内容如下:(1)从最优化问题的求解方法入手,阐述了进化算法与群体智能优化算法研究背景;详细介绍了PSO算法的理论与应用方面的研究现状;针对PSO算法的缺陷,提出了本课题的立题依据、研究目标、研究内容以及研究思路与方法。(2)QPSO算法的提出。首先介绍了PSO算法的基本原理与基本流程,详细讨论了两种重要的改进算法:带权重的PSO算法和带压缩因子的PSO算法;阐述了QPSO算法的思想来源,提出了QSPO算法的基本模型—量子δ势阱模型,求出其粒子位置的波函数与概率密度函数,并通过Monte Carlo方法导出QPSO算法粒子的基本进化方程;讨论了基本进化方程中粒子收敛的判据,给出了两种具体的搜索策略,从而提出了具体的QPSO算法流程;对QPSO算法的粒子运动进行随机模拟,得出粒子收敛性和有界性对参数的基本要求;最后对QPSO算法中粒子的等待效应以及社会学习模式进行了讨论。(3)对QPSO算法的收敛性进行了研究。首先介绍了Wets和Solis提出的随机优化算法全局收敛性和局部收敛性的判别准则,应用概率分析方法证明了QPSO算法在粒子位置有界的条件下,能满足全局收敛性条件,从而证明了其能收敛到全局最优解;其次,介绍了随机优化算法的吸收离散马尔可夫模型,以及在该模型中算法的全局收敛性条件,建立了QPSO算法的吸收离散马氏模型,并证明了算法依概率收敛到全局最优解;最后介绍了概率度量空间及其压缩映象的不动点定理,建立了QPSO算法的概率度量空间,证明了QPSO算法对应的映象是压缩映象,从而证明了算法的不动点定理,即算法能收敛到唯一不动点。(4)算法参数是影响算法性能和效率的关键,文中对QPSO算法中除群体规模和迭代次数外的唯一参数(扩张-压缩因子)的取值方式作了系统的研究,提出了该参数的两种控制策略,即固定取值策略,线性减小的控制策略,通过对标准测试函数的求解分别研究了这两种控制策略,得出了具有指导意义的结论。(5)提出了几种有效的QPSO改进算法。首先提出了一种基于混合分布的QPSO算法,该算法在粒子进化方程中同时引入指数分布与正态分布,对几个重要标准测试函数的仿真结果验证了该算法的有效性;其次针对离散二进制搜索空间的优化问题,将连续QPSO算法中的进化方程离散化,从而提出了具有二进制编码的QPSO(Binary Encoded QPSO,简称BQPSO)算法,对几个测试函数的仿真结果表明,BQSPO算法的性能优于二进制PSO算法;接着,针对QPSO算法在解决多峰优化问题中可能出现局部收敛的现象,指出了出现局部收敛的主要原因在于群体多样性较低而使得群体失去了在大范围内进行搜索的能力,并基于两种群体多样性的度量方式,提出了通过控制收缩—扩张因子使粒子发散或采用全局最优点变异策略以避免群体的多样性过小,从而提高算法的全局搜索能力,通过对标准测试函数的求解结果表明改进算法的全局求解能力得到了提升;最后,由于QPSO算法和PSO算法中粒子都趋向到全局最好位置,导致算法容易陷入局部最优解,针对该问题提出了基于全局最好位置选择策略的QPSO算法,仿真结果表明,该算法的全局搜索能力得到了提高。(6)对QPSO算法的应用研究。首先,研究了QPSO算法在电力系统经济调度(Economic Dispatch,ED)问题中的应用,而ED问题是电力系统优化运行的一个重要课题,其目的是在满足负载用电需求等条件下使发电机组运行总费用最少,仿真结果表明,在ED问题上QPSO算法的性能优于PSO算法和遗传算法(Genetic Algorithm,GA);其次对QPSO算法在随机规划问题中的应用进行了研究,以多阶段金融决策问题为实例,验证了QPSO算法的优良性能;研究了QPSO算法在系统辨识中的应用,以二维数字滤波器的设计为例,验证了QPSO算法优于PSO算法和GA算法;最后研究了QPSO算法解决特定结构的H∞优化控制设计,仿真结果同样验证了QPSO算法的优良性能。论文最后对所做工作与主要研究成果进行了总结,并提出了QPSO算法进一步的研究方向。
吴堪锋[6](1996)在《概率度量空间压缩映象的广义拟Picard迭代收敛性定理的注记》文中提出文[1]第13个定理中的条件:可去掉,应用文[2]的方法,得到与文[1]定理13相同的结果。
李玉琢[7](1996)在《关于随机集值映象的不动点定理》文中认为我们得到几个随机集值映象的不动点定理,它推广了M.S.Kham的结果[5],文中所使用的方法与其它作者不同
戴汉有[8](1991)在《度量空间压缩映象的拟Picard迭代收敛性定理》文中提出 游兆永在概率度量空间中首次研究了拟Picard迭代,获得了四个收敛性定理。本文讨论了度量空间中压缩映象的拟Picard迭代,非常有趣的是,我们所得定理的证明应用了概率度量空间理论。 下面出现的φ和Ψ,我们总假定是[0,+∞)→[0,+∞)的严格递增的连续函数,且φ(t)<t,(?)t>0,t—(φ(t))→+∞(t→+∞)。
黄建华[9](1990)在《PM空间的不动点及广义Pinard程序的收敛性》文中研究说明
蔡长林[10](1989)在《概率度量空间中一类概率有界序列的收敛定理》文中研究表明推广了拟—Picard迭代序列的概念,证明了概率度量空间中某些新的收敛定理,这些定理推广了游兆永[1]中所有主要结果。
二、概率度量空间压缩映象的拟Picard迭代收敛性定理(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、概率度量空间压缩映象的拟Picard迭代收敛性定理(论文提纲范文)
(1)不动点定理与广义变分不等式和混合平衡问题的迭代收敛性(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 不动点定理与广义变分不等式和混合平衡问题的迭代收敛性的研究概况 |
1.2 本文的工作概述 |
2 模糊度量空间两类映象不动点定理 |
2.1 引言与预备知识 |
2.2 模糊度量空间中一类积分型压缩映象公共不动点定理 |
2.3 模糊度量空间中Altman型映象公共不动点定理 |
3 多值单调型映象不动点的迭代收敛性 |
3.1 引言与预备知识 |
3.2 主要结果 |
4 非扩张半群、广义变分不等式和混合平衡问题的Cesàro平均迭代收敛性 |
4.1 引言与预备知识 |
4.2 主要结果 |
总结与展望 |
参考文献 |
发表论文情况 |
致谢 |
(2)概率度量空间一类映象不动点定理与变分不等式解的迭代逼近(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 概率度量空间一类映象不动点定理与变分不等式解的迭代逼近的研究概况 |
1.2 本文的工作概述 |
2 非阿基米德Menger概率度量空间中Altman型映象公共不动点定理及其在动态规划中的应用 |
2.1 引言与预备知识 |
2.2 主要结果 |
3 几乎一致Lipschitz映象粘滞平行迭代算法的强收敛性 |
3.1 引言与预备知识 |
3.2 主要结果 |
4 非扩张半群不动点与广义变分不等式解的迭代逼近 |
4.1 引言与预备知识 |
4.2 主要结果 |
总结与展望 |
参考文献 |
发表论文情况 |
致谢 |
(3)考虑信息均衡与数据簇可分性的模糊软子空间聚类(论文提纲范文)
摘要 |
Abstract |
引言 |
第一章 聚类问题简介 |
1.1 聚类问题的产生和相关研究背景 |
1.2 聚类算法的基本概述 |
1.3 主要的聚类方法分析比较 |
1.3.1 划分聚类算法 |
1.3.2 基于密度的聚类算法 |
1.3.3 基于层次聚类算法 |
1.3.4 基于网格的聚类算法 |
1.3.5 基于模型的聚类算法 |
1.4 本文研究的相关聚类算法 |
1.4.1 模糊c均值聚类 |
1.4.2 本文提出的相关聚类算法 |
第二章 一种改进的特征加权聚类算法 |
2.1 算法思路 |
2.2 研究背景 |
2.3 最大距离最小化方法 |
2.4 改进的方法 |
2.5 实验分析与结果讨论 |
第三章 考虑信息均衡与数据簇可分性的模糊软子空间聚类 |
3.1 算法思路 |
3.2 研究背景 |
3.3 考虑信息均衡与数据簇可分性的模糊软子空间聚类算法 |
3.3.1 子空间模糊聚类 |
3.3.2 考虑数据簇可分性的子空间模糊聚类 |
3.3.3 基于信息均衡的子空间模糊聚类 |
3.4 考虑信息均衡与数据簇可分性的模糊软子空间聚类的有效处理算法 |
3.4.1 迭代优化分析 |
3.4.2 算法描述 |
3.5 实验结果与分析 |
3.5.1 实验中对比算法 |
3.5.2 人工数据集实验 |
3.5.3 真实数据实验 |
3.5.4 结论分析 |
第四章 总结与展望 |
参考文献 |
作者在攻读硕士期间发表的论文 |
致谢 |
(4)测地度量空间中若干广义非扩张型映射的不动点性质(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究来源及意义 |
1.2 研究现状分析 |
1.3 预备知识 |
1.3.1 CAT(0) 空间的背景知识 |
1.3.2 W-双曲空间的背景知识 |
1.4 本文研究内容 |
第2章 CAT(0) 空间中平均非扩张映射的不动点性质 |
2.1 引言 |
2.2 CAT(0) 空间中平均非扩张单值映射的不动点存在定理 |
2.3 CAT(0) 空间中平均非扩张单值映射的不动点收敛定理 |
2.4 CAT(0) 空间中平均非扩张集值映射的稳定点定理 |
2.5 本章小结 |
第3章 测地度量空间中C-型集值映射的不动点性质 |
3.1 引言 |
3.2 CAT(0) 空间中C-型集值映射的公共不动点存在定理 |
3.3 CAT(0) 空间中C-型集值映射的不动点收敛定理 |
3.4 UCW-双曲空间中C-型集值映射的三步迭代收敛定理 |
3.5 本章小结 |
第4章 CAT(0) 空间成对映射的公共不动点性质 |
4.1 引言 |
4.2 CAT(0) 空间中成对映射的公共不动点存在定理 |
4.3 CAT(0) 空间中成对映射的公共不动点收敛定理 |
4.4 本章小结 |
第5章 CAT(0) 空间L-型映射的不动点性质 |
5.1 引言 |
5.2 CAT(0) 空间中L-型映射与其他广义非扩张型映射的关系 |
5.3 CAT(0) 空间中L-型映射的不动点存在定理 |
5.4 CAT(0)空间中L-型映射的不动点收敛定理 |
5.5 本章小结 |
结论 |
参考文献 |
攻读博士学位期间发表的论文及其他成果 |
致谢 |
个人简历 |
(5)量子行为粒子群优化算法研究(论文提纲范文)
摘要 |
Abstract |
目录 |
第一章 绪论 |
1.1 最优化问题及其求解 |
1.2 进化计算简介 |
1.2.1 遗传算法 |
1.2.2 遗传规划 |
1.2.3 进化策略 |
1.2.4 进化规划 |
1.3 群体智能算法概况 |
1.4 粒子群算法的起源和发展 |
1.5 本文的研究目的和内容 |
第二章 量子行为粒子群优化算法的基本原理 |
2.1 引言 |
2.2 粒子群优化算法 |
2.2.1 基本粒子群算法 |
2.2.2 带惯性权重w的粒子群算法 |
2.2.3 带收缩因子x的粒子群算法 |
2.3 量子行为粒子群算法的基本模型 |
2.3.1 思想来源 |
2.3.2 δ势阱模型的建立 |
2.3.3 粒子的基本进化方程 |
2.3.4 δ势阱模型与其它模型的比较 |
2.3.5 粒子收敛的基本条件 |
2.4 量子行为粒子群优化算法 |
2.4.1 粒子的基本进化方程 |
2.4.2 两种搜索迭代策略 |
2.4.3 算法的流程 |
2.4.4 粒子收敛性条件的仿真测试 |
2.5 粒子的等待效应 |
2.6 量子行为粒子群优化的社会学习模式 |
2.6.1 粒子群算法的学习模式 |
2.6.2 QPSO算法的学习模式 |
2.6.3 PSO算法和QPSO算法的比较 |
2.7 本章小节 |
第三章 量子行为粒子群优化算法的收敛性分析 |
3.1 QPSO算法全局收敛性的概率分析 |
3.1.1 全局收敛性准则 |
3.1.2 局部收敛性准则 |
3.1.3 QPSO算法的全局收敛性 |
3.2 QPSO算法的马氏过程分析 |
3.2.1 离散马氏过程 |
3.2.2 随机算法的理论框架 |
3.2.3 随机算法的收敛性定理 |
3.2.4 QPSO算法的收敛性 |
3.3 概率度量空间中QPSO算法的不动点定理 |
3.3.1 概率度量空间 |
3.3.2 概率度量空间中的压缩映像定理 |
3.3.3 QPSO算法的不动点定理 |
3.4 本章小结 |
第四章 参数控制与标准测试函数仿真测试 |
4.1 引言 |
4.2 标准测试函数 |
4.3 实验设置 |
4.4 不同参数控制策略下测试结果与分析性 |
4.4.1 参数固定的控制策略 |
4.4.2 参数线性递减的控制策略 |
4.5 本章小节 |
第五章 几种改进的量子行为粒子群优化算法 |
5.1 引言 |
5.2 基于混合概率分布的QPSO |
5.2.1 算法思想 |
5.2.3 测试函数仿真结果 |
5.3 二进制编码的QPSO算法 |
5.3.1 二进制PSO算法简介 |
5.3.2 二进制QPSO算法 |
5.3.3 仿真实验 |
5.4 多样性控制的QPSO算法 |
5.4.1 多样性控制的基本思想 |
5.4.2 多样性的度量 |
5.4.3 多样性控制的QPSO算法(1) |
5.4.4 多样性控制的QPSO算法(2) |
5.5 基于选择操作的QPSO算法 |
5.5.1 算法思想 |
5.5.2 仿真结果 |
5.6 本章小结 |
第六章 量子行为粒子群优化算法的应用研究 |
6.1 QPSO算法在电力系统调度中的应用 |
6.1.1 引言 |
6.1.2 ED问题的数学描述 |
6.1.3 仿真实例 |
6.2 QPSO算法在随机规划中的应用 |
6.2.1 引言 |
6.2.2 多阶段投资优化模型 |
6.2.3 基于QPSO算法的投资组合优化 |
6.3 基于QPSO算法的系统辨识 |
6.3.1 引言 |
6.3.2 二维IIR系统 |
6.3.3 二维IIR数字滤波器的优化设计 |
6.3.4 基于QPSO算法的二维IIR数字滤波器优化设计 |
6.3.5 实例仿真 |
6.4 基于QPSO算法的H∞控制 |
6.4.1 引言 |
6.4.2 H∞优化控制的数学模型 |
6.4.3 实例仿真 |
6.5 本章小结 |
第七章 结论与展望 |
致谢 |
参考文献 |
附录: 作者在攻读博士学位期间完成论文、成果和参加科研项目 |
四、概率度量空间压缩映象的拟Picard迭代收敛性定理(论文参考文献)
- [1]不动点定理与广义变分不等式和混合平衡问题的迭代收敛性[D]. 张芯语. 渤海大学, 2020(12)
- [2]概率度量空间一类映象不动点定理与变分不等式解的迭代逼近[D]. 丛培根. 渤海大学, 2019(11)
- [3]考虑信息均衡与数据簇可分性的模糊软子空间聚类[D]. 刘屹霄. 厦门大学, 2017(05)
- [4]测地度量空间中若干广义非扩张型映射的不动点性质[D]. 周晶. 哈尔滨工业大学, 2017(12)
- [5]量子行为粒子群优化算法研究[D]. 孙俊. 江南大学, 2009(06)
- [6]概率度量空间压缩映象的广义拟Picard迭代收敛性定理的注记[J]. 吴堪锋. 湛江师范学院学报(自然科学版), 1996(02)
- [7]关于随机集值映象的不动点定理[J]. 李玉琢. 武汉工业大学学报, 1996(03)
- [8]度量空间压缩映象的拟Picard迭代收敛性定理[J]. 戴汉有. 工程数学学报, 1991(01)
- [9]PM空间的不动点及广义Pinard程序的收敛性[J]. 黄建华. 福州大学学报(自然科学版), 1990(04)
- [10]概率度量空间中一类概率有界序列的收敛定理[J]. 蔡长林. 四川大学学报(自然科学版), 1989(01)