1) steepest descent iterative sequence
最速下降迭代序列
1.
Several convergence theorems of the steepest descent iterative sequences for generalized Φ-accretive operators in arbitrary Banach space are proven,which generalizes the recent results by Liu and Zhou et al.
证明了任意实Banach空间广义Φ-增生算子的最速下降迭代序列的收敛定理,推广了ZeiqingLiu和周海云等人的近期结果。
2) normalized recursive steep-descend iteration
归一化最速下降迭代
3) iterative sequence
迭代序列
1.
Strong convergence of Reich-Takahashi iterative sequence for asymptotically pseudo-contractive mapping;
渐近伪压缩映像的Reich-Takahashi迭代序列的强收敛性
2.
Strong convergence of some iterative sequences for asymptotically nonexpansive mappings in Banach spances;
Banach空间中渐近非扩张映象迭代序列的强收敛性
3.
Aim\ The convergence of Mann iterative sequences of real functions defined on unbounded convex domain is discussed.
目的 讨论无界闭凸区域上的实函数的 Mann迭代序列的收敛性 。
4) iteration sequence
迭代序列
1.
For a lot of nonlinear mappings,the fixed points can be approximated by iteration sequence {xn}.
设E是Hilbert空间,T是E中具非空不动点集F(T)的非线性映象,许多非线性映像的多种形式的迭代序列{xn}可逼近映像T的不动点p0∈F(T)。
2.
Convergence of Ishikawa iteration sequence for setvalued nonexpansive mapping are discussed in uniformly covex Banach space, and the conditions are shown which guarantee the convergence of the iteration sequence to a fixed point.
讨论了集值非扩张映象在一致凸Banach空间中Ishikawa迭代序列的收敛性及确保迭代程序收敛到不动点的条件,所得结果是曾六川等的推广和发展。
3.
This article will set up an iteration sequence and extent its results to a more comprehensive mapping-semi-compact 1-set mapping.
本文建立了一迭代序列,将其结果推广到更广泛的一类映射———半紧1-集映射,并削弱了紧性和全连续的条件,得到了乘积空间中的极小、极大耦合不动点定理。
5) Descent iteration method
下降迭代法
1.
This paper presents a new method for estimating parameter of three-Parameter Welbell distribution,based on the theory of descent iteration method.
利用下降迭代法原理,给出了三参数威布尔分布的参数估计的一种新方法。
6) steepest-descent
最速下降
1.
Combing the potential reduction method and steepest-descent algorithm,we establish a new steepest potential-reduction method,which not only improve the iterative speed,decreasingcomputation,but maintain the convergence result.
利用势缩减牛顿算法与最速下降算法,我们建立了求解约束方程的一种新的最速势缩算法,不仅提高了迭代速度、减少计算量,重要的是保证了算法的收敛性结果。
补充资料：最速下降法
分子式：
CAS号：
性质：一种基本的寻优方法。根据函数梯度的特性，在实验点附近，沿梯度方向函数变化率最大，称为最速上升方向。选取负梯度方向(最速下降方向)作为搜索方向来搜索极小值点，称为最速下降法。任选一个起始点X(0)，计算该点的梯度和梯度方向的单位向量E(0)，沿负梯度方向进行搜索，寻求最优步长h(0)，使在该方向的目标函数值最小。找到了最优步长，便得到一个新点X(1)，X(1)=X(0)-h(0)E(0)。再以X(1)点作为新的寻优起始点，继续上述的搜索步骤，直到满足给定的收敛要求为止。沿梯度方向进行搜索的特点是，函数在X(k)点与在X(k+1)，点的梯度向量相互垂直，搜索路线呈锯齿形；距极值点较远时，收敛速度较快，接近极值点，优化速度很慢；迭代计算比较简单，在计算中对起始点位置选择要求不高。
CAS号：
性质：一种基本的寻优方法。根据函数梯度的特性，在实验点附近，沿梯度方向函数变化率最大，称为最速上升方向。选取负梯度方向(最速下降方向)作为搜索方向来搜索极小值点，称为最速下降法。任选一个起始点X(0)，计算该点的梯度和梯度方向的单位向量E(0)，沿负梯度方向进行搜索，寻求最优步长h(0)，使在该方向的目标函数值最小。找到了最优步长，便得到一个新点X(1)，X(1)=X(0)-h(0)E(0)。再以X(1)点作为新的寻优起始点，继续上述的搜索步骤，直到满足给定的收敛要求为止。沿梯度方向进行搜索的特点是，函数在X(k)点与在X(k+1)，点的梯度向量相互垂直，搜索路线呈锯齿形；距极值点较远时，收敛速度较快，接近极值点，优化速度很慢；迭代计算比较简单，在计算中对起始点位置选择要求不高。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条