本文提出了适于改善大量优化算法的一种有理逼近,该逼近利用 n 维空间中两点的一阶以下的信息.该逼近由于属于超曲而,比作为超平面的一阶 Taylor 展式要逼近得好,只是利用了上次迭代信息.该逼近不必增加计算工作量,属于信息的重复带来...本文提出了适于改善大量优化算法的一种有理逼近,该逼近利用 n 维空间中两点的一阶以下的信息.该逼近由于属于超曲而,比作为超平面的一阶 Taylor 展式要逼近得好,只是利用了上次迭代信息.该逼近不必增加计算工作量,属于信息的重复带来的效益,是值得采用的.又因为其分子,分母皆为稍加改动而不进行实质性的变化,却可提高问题的求解效率.本文对于该有理逼近的提出进行了数学上的推导论证,叙述了应用该逼近对大量优化方法和线性迭代算法的改进。展开更多
文摘本文提出了适于改善大量优化算法的一种有理逼近,该逼近利用 n 维空间中两点的一阶以下的信息.该逼近由于属于超曲而,比作为超平面的一阶 Taylor 展式要逼近得好,只是利用了上次迭代信息.该逼近不必增加计算工作量,属于信息的重复带来的效益,是值得采用的.又因为其分子,分母皆为稍加改动而不进行实质性的变化,却可提高问题的求解效率.本文对于该有理逼近的提出进行了数学上的推导论证,叙述了应用该逼近对大量优化方法和线性迭代算法的改进。
