کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10225877 1701223 2018 17 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
An iterative method for obtaining the Least squares solutions of quadratic inverse eigenvalue problems over generalized Hamiltonian matrix with submatrix constraints
ترجمه فارسی عنوان
یک روش تکراری برای به دست آوردن راه حل های کمترین مربع از مشکلات معادله معکوس درجه دوم بر ماتریس همیلتون متمرکز با محدودیت های زیرموسی
ترجمه چکیده
در این مقاله، ما یک کلاس ماتریس محدود مساحت معادل معکوس معکوس و مسئله تقریب بهینه آن را در نظر می گیریم. ثابت شده است که الگوریتم پیشنهادی همواره به راه حل های همیلتون متبلور شده با محدودیت زیرموسی از مساله 1.1 در مراحل تکرار محدود در غیاب خطای دور افتاده همگرا است. علاوه بر این، با انتخاب یک نوع خاص از ماتریس های اولیه، نشان داده شده است که حداقل راه حل مشکالت 1.1 در نتیجه می تواند بدست آید. در نهایت، برای یک گروه ماتریس داده شده در مجموعه راه حل مساله 1.1 ثابت شده است که حل تقریبی بهینه تقریبی مشکل 1.2 نیز می تواند حاصل شود. برخی از نتایج عددی گزارش شده است که نشان دهنده کارآیی الگوریتم ما است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر علوم کامپیوتر (عمومی)
چکیده انگلیسی
In this paper, we consider a class of constrained matrix quadratic inverse eigenvalue problem and its optimal approximation problem. It is proved that the proposed algorithm always converge to the generalized Hamiltonian solutions with a submatrix constraint of Problem 1.1 within finite iterative steps in the absence of roundoff error. In addition, by choosing a special kind of initial matrices, it is shown that the minimum norm solution of Problem 1.1 can be obtained consequently. At last, for a given matrix group in the solution set of Problem 1.1, it is proved that the unique optimal approximation solution of Problem 1.2 can be also obtained. Some numerical results are reported to demonstrate the efficiency of our algorithm.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers & Mathematics with Applications - Volume 76, Issue 7, 1 October 2018, Pages 1608-1624
نویسندگان
, , ,