On the convergence of generalized kernel-based interpolation by greedy data selection algorithms
本文在极简假设下证明广义核插值方法的收敛性,并进一步证明贪心数据选择算法在全有界采样泛函集上的收敛性,以计算机断层成像数值实验加以验证。
2024-11-25 cs.NA math.NA
Analysis of target data-dependent greedy kernel algorithms: Convergence rates for $f$-, $f \cdot P$- and $f/P$-greedy
已知核空间中的数据相关贪婪算法提供快速收敛的插值,同时非常容易实现和高效运行。尽管有这些实验证据,但还没有详细的理论提出。这种情况是不令人满意的,特别是当与数据无关的$P$ -贪婪算法的情况相比,最佳的收敛速度是可用的,尽管它的性能通常是劣于目标数据相关的算法。在这项工作中,我们填补了这一空白,首先定义了一个新的规模的贪婪算法插值,包括所有现有的在一个独特的分析,其中的依赖程度的选择标准的功能数据被量化的一个真正的参数。然后,我们证明了新的收敛速度,考虑到这个程度,我们表明,可能高达对数因子,目标数据相关的选择策略提供更快的收敛。特别是,我们第一次获得目标数据自适应插值的收敛速度,比均匀点给出的,而不需要任何特殊的假设的目标函数。一些例子证实了率。这些结果是通过对一般希尔伯特空间中的贪婪算法进行新的分析而得到的。
2021-05-16 cs.NA math.NA
Convergence Rates for Greedy Kaczmarz Algorithms, and Faster Randomized Kaczmarz Rules Using the Orthogonality Graph
Kaczmarz方法是求解线性等式和不等式系统的迭代算法,迭代地投影到这些约束上。最近,Strohmer和Vershynin [J. Fourier Anal.应用程序、15(2):262-278,2009]给出了该算法的非渐近收敛率分析,促使Kaczmarz方法的许多扩展和推广。而不是在这项工作中分析的随机选择规则,在本文中,我们讨论贪婪和近似贪婪的选择规则。我们表明,在某些应用中,贪婪选择和随机选择的计算成本是相当的,并且在许多情况下,贪婪选择规则比随机选择规则提供更快的收敛速度。此外,我们给出了一个特定的贪婪规则的Kaczmarz方法的第一个多步分析,并提出了一个可证明的快速随机选择规则的矩阵与许多成对正交行。
2016-12-22 cs.NA math.NA
Convergence rate of the data-independent $P$-greedy algorithm in kernel-based approximation
Institute for Applied Analysis and Numerical Simulation, University of Stuttgart(斯图加特大学应用分析与数值模拟研究所)
本文研究了基于核方法的 $P$-贪心算法的收敛率,通过减少基方法中的贪心算法收敛理论,证明了在生成Sobolev空间的核情况下,该算法的收敛率接近最优,并证明了所选点在Sobolev空间核下渐近均匀分布。
2016-12-08 cs.NA math.NA
On convergence of greedy block nonlinear Kaczmarz methods with momentum
针对非线性方程组,本文融合加权非线性 Kaczmarz 与 heavy ball 技术,提出两种免伪逆的动量贪心分块方法,并在无 Jacobi 矩阵列满秩假设下证明收敛、给出速率上界,实验显示其显著优于现有方法。
2025-03-13 cs.NA math.NA
Entropy-based convergence rates of greedy algorithms
本文利用紧集与字典凸包的度量熵,分别建立参数化 PDE 贪心约化基方法和正交贪心算法的尖锐收敛估计,改进经典宽度分析及已有结果。
2024-10-27 cs.NA math.NA
Convergence and rate of convergence of some greedy algorithms in convex optimization
University of South Carolina(南卡罗来纳大学);Steklov Institute of Mathematics(斯捷克洛夫数学研究所)
本文系统研究了凸优化中广泛应用的三种贪心型算法的近似版本,分析了在评估存在误差时的收敛性及收敛速率。
2014-12-10 cs.NA math.NA stat.ML
On the Convergence of Randomized and Greedy Relaxation Schemes for Solving Nonsingular Linear Systems of Equations
我们扩展的结果已知的随机高斯-赛德尔和高斯-Southwell方法的情况下,一个埃尔米特和正定矩阵的某些类的非埃尔米特矩阵。我们得到的收敛结果的整个范围内的参数描述的概率在随机化方法或贪婪的选择策略中的高斯-Southwell型方法。我们确定这些选择,使我们的收敛界限最好的可能。我们的主要工具是使用加权l1-范数来度量残差。一个主要的结果是,我们获得的最佳收敛界的期望值的随机算法是最好的确定性,但更昂贵的算法的高斯-Southwell型。数值实验表明了该方法的收敛性和得到的界。与随机Kaczmarz方法的比较。
2022-09-08 cs.NA math.NA
A unified way of analyzing some greedy algorithms
University of South Carolina(南卡罗来纳大学);Steklov Institute of Mathematics(斯捷克洛夫数学研究所);Lomonosov Moscow State University(莫斯科国立罗蒙诺索夫大学)
本文提出了一种统一分析Banach空间中特定类型的贪心算法的方法,定义了一类弱双正交贪心算法,涵盖了多种贪心算法,并探讨了其收敛性、收敛速率和数值稳定性。
2019-06-04 cs.NA math.NA
A new analysis of empirical interpolation methods and Chebyshev greedy algorithms
Zhejiang University(浙江大学)
本文提出基于熵数的广义经验插值方法和切比雪夫贪心算法的新收敛估计,改进了传统分析方法并提升了收敛速率。
2024-12-24 cs.NA math.NA
Error estimates for a POD method for solving viscous G-equations in incompressible cellular flows
G方程是研究湍流燃烧中前沿传播的一个著名模型。本文提出了一种有效的模型降阶法,用于计算不可压定常时间周期胞状流中粘性G方程的\textcolor{black}{regular solutions}。我们的方法是基于Galerkin适当的正交分解(POD)方法。为了便于算法设计和收敛性分析,我们将粘性G方程的解分解为无均值部分和均值部分,并相应地导出了它们的发展方程.我们构造的POD基础的平均自由部分的解决方案的快照。利用POD基,我们可以有效地求解粘性G-方程解的无均值部分的发展方程。在我们得到解的无均值部分之后,可以恢复解的均值。我们还提供了严格的收敛性分析,我们的方法。对\textcolor{black}{viscous G-equations and curvature G-equations}的数值结果表明了该方法的准确性和有效性。此外,我们还研究了不可压缩胞状流中粘性G方程的湍流火焰速度。
2020-11-14 cs.NA math.NA
Sharp convergence bounds for sums of POD and SPOD weights
Institute of Fundamental and Transdisciplinary Research, Zhejiang University(浙江大学基础与交叉研究院)
研究具有POD和SPOD权重的和\(S_{\boldsymbol{\gamma}}(m)\)的收敛性,通过建立条件刻画其增长,推广收敛准则与渐近阶到SPOD权重,应用于QMC积分,使交错多项式格规则实现与维度无关的收敛速率。
2026-07-14 cs.NA math.NA
A novel class of stabilized greedy kernel approximation algorithms: Convergence, stability & uniform point distribution
基于核的方法提供了一种从无网格样本重构潜在高维函数的方法,即,采样点和相应的目标值。要取得成功,一个关键因素是采样点的分布。由于计算采样点的最佳选择可能是一项不可行的任务,一个有前途的选择是使用贪婪方法。虽然这些方法可能非常有效,但取决于特定的贪婪标准,所选择的点可能很快导致计算中的不稳定性。为了避免这个问题,我们介绍和研究一类新的\textit{stabilized}贪婪核算法,它可以用来创建一个规模的新的选择策略。我们分析这些算法,特别是我们证明收敛结果和量化的一个精确的方式所选择的点的分布。这些结果允许证明,在某些Sobolev内核的情况下,该算法具有最佳的稳定性和最佳的收敛速度,包括内核的本机空间之外的功能。结果也适用于通常的情况下,$P$ -贪婪算法,显着提高国家的最先进的结果在文献中。说明性的实验,支持的理论研究结果。
2019-11-11 cs.NA math.NA
Influence of sampling on the convergence rates of greedy algorithms for parameter-dependent random variables
本文的主要重点是提供一个数学研究的算法提出了\cite{boyaval2010variance},作者提出了一个方差减少技术的计算参数依赖的期望使用减少的基础范例。研究了Monte-Carlo抽样对贪婪算法理论性质的影响。特别是,使用浓度不等式的经验测量Wasserstein距离证明在\cite{fournier2015rate},我们提供了充分条件的样本个数用于计算经验方差在每次迭代的贪婪过程,以保证所得到的方法算法是一个弱的贪婪算法具有高概率。这些理论结果是不完全实用的,因此,我们提出了一个启发式的程序来选择在每次迭代的Monte Carlo样本的数量,从这个理论研究的启发,它提供了令人满意的结果在几个数值测试情况下。
2021-09-23 cs.NA math.NA
Random Greedy Fast Block Kaczmarz Method for Solving Large-Scale Nonlinear Systems
针对大规模非线性系统求解,提出随机贪婪快速块Kaczmarz方法,通过融合随机与贪婪策略并避免Jacobian子矩阵伪逆计算,在期望下实现线性收敛,显著提升了求解效率与鲁棒性。
2025-08-13 cs.NA math.NA
Randomized Greedy Algorithms for Neural Network Optimization
本文将正交贪心算法(OGA)扩展到凸优化问题并确立其最优收敛速率,提出随机离散字典方法解决计算成本问题,通过实验验证分析并展示随机字典在字典大小上的优势。
2025-04-17 cs.NA math.NA
Rate of convergence of Thresholding Greedy Algorithms
本文研究了经典阈值贪婪算法相对于基的收敛速度,将逼近误差界定为$f$的范数与$A_1$-范数的乘积,并证明了针对三角基和Haar基的误差界是最优的。
2024-07-26 cs.NA math.FA math.NA
A parallel batch greedy algorithm in reduced basis methods: Convergence rates and numerical results
Ulm University(乌尔姆大学);Hochschule Ruhr West(鲁尔西应用科学大学)
提出一种并行批量贪心算法,通过每次迭代并行添加多个快照来加速简化基方法的离线阶段,并证明了其收敛速率,数值实验表明该算法能显著缩短离线时间且仅适度增加简化问题规模。
2026-05-26 cs.NA math.NA
On the convergence analysis of the greedy randomized Kaczmarz method
本文对贪心随机Kaczmarz(GRK)方法进行收敛性分析,提出更精确的概率准则并证明其确定性线性收敛,引入动量改进性能,数值实验验证mGRK更高效。
2023-11-14 cs.NA math.NA
On Greedy Algorithms with bounded cumulative coherence
针对具有有界累积相干性的字典,研究了纯贪婪算法和正交贪婪算法的收敛速度的上下界估计。
2009-11-08 cs.NA math.NA
Refined rates of convergence for target-data dependent greedy generalized interpolation with Sobolev kernels
Institute of Applied Analysis and Numerical Simulation, University of Stuttgart(斯图加特大学应用分析与数值模拟研究所);Department of Environmental Sciences, Informatics and Statistics, Ca’ Foscari University of Venice(威尼斯卡福斯卡里大学环境科学、信息学与统计系);Department of Mathematics, Ludwig-Maximilians-Universität München(慕尼黑路德维希-马克西米利安大学数学系);Institute for Stochastics and Applications, University of Stuttgart(斯图加特大学随机过程与应用研究所)
本文研究了基于Sobolev核的贪心广义插值在准均匀点上的收敛速率,通过改进的靶数据自适应方法提高了收敛速度,并通过度量熵数估计去除冗余的对数项。
2026-01-28 cs.NA math.NA
A priori error analysis for one-parameter Lagrange and POD reduced order methods
Aalto University(阿尔托大学)
本文针对参数化线性椭圆PDE,提出基于快照子空间的新逼近算子,证明单参数Lagrange和POD降阶方法在温和假设下的次指数及结构化点集下的指数收敛误差估计。
2026-09-29 cs.NA math.NA
Adaptive meshfree approximation for linear elliptic partial differential equations with PDE-greedy kernel methods
本文研究椭圆型偏微分方程边值问题的无网格近似,提出了一组推广的PDE-greedy选择准则,分析了近似误差界与收敛速率,并证明目标数据相关算法收敛更快且能缓解维度灾难。
2025-01-23 cs.NA math.NA
On the rate of convergence of greedy algorithms
本文研究了贪婪算法在希尔伯特空间和巴拿赫空间中的收敛速度,提出用函数范数与 $A_1$-范数的乘积来界定逼近误差,并证明纯贪婪算法及其推广在新意义下可达到与正交贪婪算法相同的收敛性能。
2023-04-13 cs.NA math.FA math.NA
A closed-form convergence criterion for the weak greedy algorithm
针对希尔伯特空间中的弱贪婪算法,提出一个等价的闭式收敛准则:算法收敛当且仅当无穷级数∑(1+n∑t_k^2)^{-1/2}t_n^2发散。
2026-06-15 cs.NA math.FA math.NA
Greedy and Random Broyden's Methods with Explicit Superlinear Convergence Rates in Nonlinear Equations
本文提出了求解非线性方程组的贪婪随机Broyden方法。具体地,贪婪方法贪婪地选择方向以最大化用于近似当前雅可比矩阵的某个进展度量,而随机方法随机地选择方向。如果初始点和近似雅可比矩阵足够接近一个解和相应的雅可比矩阵,我们建立了这两种方法的显式(局部)超线性收敛速率。我们的两个新的变种Broyden的方法享有两个重要的优点,我们的算法的近似雅可比矩阵将收敛到精确的,我们的算法的收敛速度是渐近快于原来的Broyden的方法。我们的工作是第一次在理论上实现这两个优点。我们的实验也从经验上验证了我们的算法的优势。
2021-10-16 cs.NA math.NA math.OC
On weak greedy algorithms
本文研究弱贪心算法的收敛性,提出基于广义八面体的子集收敛分析,并扩展了弱贪心算法的弱序列应用。
2026-04-28 cs.NA math.FA math.NA
Rescaled Pure Greedy Algorithm for Hilbert and Banach Spaces
本文提出对纯贪婪算法的简单修改,证明其在凸组合字典元素类上具有最优收敛速度。
2015-05-14 cs.NA math.NA
A Tree-Based Localized Reduced Basis Method for Parametrized Parabolic PDEs
University of Ottawa(渥太华大学)
提出基于层次二叉树参数域划分的局部化降基方法,结合POD-Greedy构造降基空间,推导等价后验误差估计器并用于模态数选择,数值实验验证了收敛性。
2026-09-30 cs.NA math.NA
Brief introduction in greedy approximation
本文综述面向字典的各类贪婪稀疏逼近算法,介绍其收敛性、收敛速率、典型证明及开放问题。
2025-02-19 cs.NA math.FA math.NA
On the Approximate Weak Chebyshev Greedy Algorithm in Uniformly Smooth Banach Spaces
本文研究了均匀光滑Banach空间中的贪心逼近问题,提出了一种改进的近似弱切比雪夫贪心算法(AWCGA),并证明了在特定扰动和误差下,该算法的收敛条件与传统弱切比雪夫贪心算法相同,且在某些情况下具有相同性能。
2015-10-17 cs.NA math.NA
On the convergence of higher-order orthogonality iteration
Rensselaer Polytechnic Institute(伦斯勒理工学院)
本文研究高阶正交迭代的收敛性问题,通过分析贪心算法并利用KL性质证明其全局收敛性,进一步证明原始算法的收敛性,解决了该问题的开放性挑战。
2017-10-09 cs.NA math.NA
Fast component-by-component construction of lattice algorithms for multivariate approximation with POD and SPOD weights
在同一作者最近的一篇论文中,我们提供了一个理论基础的组件的组件(CBC)建设的格算法的多元$L_2$近似在最坏的情况下设置,在一个周期性的空间与一般的权重参数的功能。该结构导致了一个误差界,达到了最佳的收敛速率的格型算法。以前可用的文献只涉及通常称为产品重量的简单形式的重量。在本文中,我们解决的计算方面的建设。我们开发了快速CBC构造的格算法的特殊形式的权重参数,包括所谓的POD权重和SPOD权重,这产生于PDE应用,使格算法真正适用于实践。用$d$表示维数,$n$表示格点数,证明了POD权的构造代价为$\mathcal{O}(d\,n\log(n) + d^2\log(d)\,n)$,$σ\ge 2$度的SPOD权的构造代价为$\mathcal{O}(d\,n\log(n) + d^3σ^2\,n)$.所得到的格生成向量可以用于其他基于格的近似算法,包括核方法或样条。
2019-10-15 cs.NA math.NA
On stability of Weak Greedy Algorithm in the presence of noise
Lomonosov Moscow State University(莫斯科国立罗蒙诺索夫大学)
本文研究了噪声环境下弱贪心算法的稳定性,探讨了算法在面对噪声数据时的鲁棒性。
2025-12-23 cs.NA math.FA math.NA
Greedy algorithms for high-dimensional eigenvalue problems
本文提出两种新的贪心算法用于计算高维本征值问题的最低本征值及其相关本征向量,证明了算法及其正交化版本的收敛性,并通过数值测试案例验证了算法性能,与Ammar和Chinesta提出的另一种贪心算法进行比较。
2013-04-09 cs.NA math.NA
Stochastic convergence of a class of greedy-type algorithms for Configuration Optimization Problems
本文提出了一种随机框架,用于分析贪心型算法在配置优化问题中的收敛性,并引入了随机多边形划分法以提高数值效率。
2026-01-08 cs.NA math.FA math.NA
Fast and Accurate Proper Orthogonal Decomposition using Efficient Sampling and Iterative Techniques for Singular Value Decomposition
在本文中,我们提出了一个计算效率高的迭代算法的本征正交分解(POD)使用随机采样为基础的技术。在该算法中,额外的行和列被采样,并在每次迭代中使用合并技术来更新占主导地位的POD模式。我们推导出一系列合并操作引入的错误的谱范数的界限。我们利用一个已有的定理得到了迭代收敛时所得到的子空间的质量的一个近似度量。在各种数据集上的结果表明,POD模式和/或子空间近似具有良好的精度与显着的运行时间改善计算截断SVD。我们还提出了一种方法来计算POD模式的大型矩阵,不适合在RAM使用这种迭代采样和合并算法。
2020-11-20 cs.NA math.NA
On the optimality of target-data-dependent kernel greedy interpolation in Sobolev Reproducing Kernel Hilbert Spaces
本文利用一般贪心算法的新结果完善核贪心插值收敛理论,证明P-greedy达到最优收敛率,且自适应f-greedy同样最优。
2023-07-19 cs.NA math.NA
Linear Convergence of Stochastic Iterative Greedy Algorithms with Sparse Constraints
本文提出两种随机贪心算法变体,用于解决可能非凸优化问题中的稀疏约束,证明了在指定容差内的期望线性收敛性,并展示了在压缩感知、低秩矩阵恢复和协方差矩阵估计中的应用。
2014-07-01 cs.IT cs.NA math.IT
Biorthogonal Greedy Algorithms in Convex Optimization
随着贪婪算法被广泛应用于构造关于给定元素集的凸函数的稀疏极小问题,凸优化中的贪婪逼近问题成为一个很有前途的研究方向。本文给出了巴拿赫空间上极小化凸函数的一类贪婪型算法的统一分析方法。具体来说,我们定义了一类弱双正交贪婪算法的凸优化,其中包含了广泛的贪婪算法。我们分析了引入类的算法,并建立了收敛性,收敛速率,和数值稳定性,这是理解的意义上说,该算法的步骤被允许不精确地执行,但控制计算的不准确性。我们证明了下列著名的凸优化算法--弱Chebyshev贪婪算法(co)和带自由松弛的弱贪婪算法(co)--属于这一类,并引入了一个新的算法--重标弱松弛贪婪算法(co).提出的数值实验证明了上述贪婪算法的实际性能相比,优化与正则化,这是传统的方法构造稀疏极小值的凸最小化的设置。
2022-04-25 cs.NA math.NA math.OC
Fast and Accurate Proper Orthogonal Decomposition using Efficient Sampling and Iterative Techniques for Singular Value Decomposition
Indian Institute of Technology, Madras(印度马德拉斯理工学院)
本文提出了一种基于随机采样的高效迭代算法,用于正交分解,通过采样额外行和列并使用合并技术来更新每个迭代中的主导正交模式,并推导了合并操作引入误差谱范数的界限,展示了在不同数据集上的优异精度和显著的运行时间提升。
2021-07-06 cs.NA math.NA
Kernel-based Greedy Approximation of Parametric Elliptic Boundary Value Problems
University of Stuttgart(斯图加特大学);LMU Munich(慕尼黑大学);Ca’ Foscari University of Venice(威尼斯卡福斯卡里大学)
本文提出了一种基于核方法的贪心逼近方案,针对参数椭圆边值问题实现指数收敛,扩展了参数PDE的逼近方法,并展示了其在复杂几何参数化、移动源和高维域中的高效性。
2025-07-09 cs.NA math.NA
Greedy Learning to Optimize with Convergence Guarantees
University of Bath(巴斯大学);University of Bristol(布里斯托大学)
本文提出一种贪心学习框架,通过序列学习迭代依赖参数,实现优化问题的收敛保证,并在图像去模糊和CT中展示改进性能。
2026-07-06 cs.NA math.NA math.OC
Last-Iterate Convergence of Randomized Kaczmarz and SGD with Greedy Step Size
University of Michigan(密歇根大学);National University of Singapore(新加坡国立大学)
研究SGD在贪心步长下对光滑二次插值问题的最后轮收敛,证明t次迭代达到O(1/t^{3/4})收敛速度,改进了Attia等人提出的O(1/t^{1/2})保证。
2026-04-10 cs.LG cs.NA math.NA
Convergence rates for pivoted QR and LU
Princeton University(普林斯顿大学)
该研究针对选主元QR与LU分解,证明近似贪心选主元下误差由子矩阵行列式控制,建立了代数、几何奇异值衰减下的收敛速率,并将LU分析扩展到二元函数。
2026-07-30 cs.NA math.NA
Gauss-Newton oriented greedy algorithms for the reconstruction of operators in nonlinear dynamics
本文提出一种基于线性化系统的 Gauss-Newton 定向贪心算法,用于非线性动力学中未知算子的重构,并证明了该算法在在线非线性辨识问题中的局部收敛性,主要针对具有线性和双线性控制结构的漂移算子。
2023-08-29 cs.NA math.NA math.OC
Sparse Sampling Kaczmarz-Motzkin Method with Linear Convergence
随机稀疏Kaczmarz方法是最近提出的恢复线性系稀疏解的方法。在这项工作中,我们引入了一个贪婪的变体的随机稀疏Kaczmarz方法,采用采样Kaczmarz-Motzkin方法,并证明其线性收敛的预期在无噪声和噪声情况下的Bregman距离。该贪婪算法是抽样Kaczmarz-Motzkin方法和随机稀疏Kaczmarz方法的统一,继承了这两种方法的优点。数值上,我们报告了一对夫妇的实验结果,以证明其优越性
2021-01-14 cs.NA math.NA math.OC
NSPOD: Accelerating Krylov solvers via DeepONet-learned POD subspaces
Synopsys UK Ltd(Synopsys英国有限公司);Division of Applied Mathematics, Brown University(布朗大学应用数学系)
本文提出NSPOD,一种基于DeepONet的预条件器,通过减少迭代次数提升Krylov求解器效率,尤其在复杂CAD几何的线性化固体力学PDE中表现优异。
2026-05-11 cs.LG cs.NA math.NA
Greedy Training Algorithms for Neural Networks and Applications to PDEs
近年来,神经网络已被广泛应用于求解偏微分方程(PDE)。虽然这种方法已被证明是非常成功的实际工程问题,他们还没有被证明,理论上或经验,收敛到潜在的PDE解决方案具有任意高的精度。其主要难点在于求解神经网络离散化后的高度非凸优化问题,这在理论和实践上都是一个难题。我们在这项工作中的目标是朝着纠正这一点迈出一步。为此,我们开发了一种新的贪婪训练算法的浅层神经网络。我们的方法是适用于变分制定的偏微分方程,也是残留的最小化制定开创了物理知情的神经网络(PINNs)。我们分析的方法,并获得先验的误差界时,解决偏微分方程从函数类定义的浅网络,严格建立收敛的方法,网络规模的增加。最后,我们测试了算法的几个基准的例子,包括高维偏微分方程,以确认理论上的收敛速度。虽然相对于传统的方法,如有限元法的方法是昂贵的,我们认为这项工作的概念证明基于神经网络的方法,这表明,数值方法基于神经网络可以显示出严格收敛。
2023-03-24 cs.NA math.NA
Greedy algorithms for high-dimensional non-symmetric linear problems
针对高维非对称线性问题,提出基于贪婪算法的张量积函数和逼近方法,并讨论其理论收敛性和实现。
2012-10-24 cs.NA math.FA math.NA
Greedy multiscale kernel algorithms
USI Lugano(卢加诺瑞士意大利大学);University of Hamburg(汉堡大学);LMU Munich(慕尼黑大学);Munich Center for Machine Learning(慕尼黑机器学习中心)
本文结合多尺度核近似与贪心核算法提出贪心多尺度核算法,证明其收敛速率与单尺度f-贪心算法相当,且稳定性更优,通过数值实验验证了其在误差、时间和条件数上的表现。
2026-10-16 cs.NA math.NA
Greedy recursion parameter selection for one-way spatial integration of hyperbolic equations
California Institute of Technology(加州理工学院)
本文提出一种贪心算法自动选择递归参数,提升一方向波方程在边界层流中的收敛性和稳定性,减少计算成本。
2026-09-03 cs.NA math.NA physics.comp-ph
A multilinear HJB-POD method for the optimal control of PDEs
针对演化PDE最优控制问题,提出基于树结构和张量模型降阶的HJB-POD动态规划算法,大幅降低内存与计算时间,并证明收敛性。
2023-05-15 cs.NA math.NA math.OC
Non-optimality of the Greedy Algorithm for subspace orderings in the method of alternating projections
University of Oxford(牛津大学)
本文研究了在交替投影方法中如何最优地选择子空间顺序以估计收敛速度,证明了贪婪算法的正确性将导致P=NP,并通过例子反驳了贪婪算法在一般情况下最优的断言,同时给出了贪婪算法结果与最优结果差异的精确估计。
2017-06-19 cs.NA math.FA math.NA