- 1、本文档共102页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
论文详细中文摘要
本文主要研究在不同计算模型下的几个优化间题,由这些结果,根据计算复杂性
的一般理论,可得到相应问题的复杂性阶的估计 全文分为两部分,共七章.在第一
部分 第〔一章至第四章)中,我们考虑了在平均框架和概率框架下具有混合偏导数的
多元Sobolev空间M呵(T勺的逼近问题.在第二部分(第五章至第七章)中 我们
考虑了最坏框架下多元函数逼近的优化问题.
第一部分 在平均框架和概率框架下具有混合偏导数的多元
Sobolev空间MW2(T勺的逼近问题
第一章 概率和平均宽度的基本概念和背景
x是具有范数】I·}}的赋范线性空间.设W是X的子集,而FN是X的一N维
子空间.定义W对FN的偏差
e(以场,X)=sup。(二,场),
其中
= inf
e(x,FN) !!二一Y11
YEFN
是场 对x的最佳逼近.令T为一个从X到X的线性算子,则TW与W 的线性距
离为
A(W,T,X)
= sup }Ix一Tx1j
工仁w
W在X中的KolmogorovN一宽度和线性N-宽度分别定义如下
dN(WX)一FinNfe(以FN,X)一FinNf IIx一酬, (1.0.1)
sup,戮
AN(WX)一群AW(,TN,X)- x一马 x (1.0.2)
盯珊11
其中,FN和TN分别取遍X中维数不超过N的所有线性子空间和线性算子
设5是W上的Borel域,k是定义在8上的概率测度.也就是说,拜是定义
在8上的O可加的非负函数,而且u(W)二1.令dE[0,1),则W在X中关于测
度u的概率Kolmogorov(N,b)一宽度和概率线性(N,d)一宽度分别定义为
dN,a(WP,X)一贾dN(W\G,X), (J.0.3)
AN,a(WP,X)一贾ANW(\G,X), (1.0.4)
其中。G。取遍i3中所有测度不超过6的子集.相应的p-平均KolmogorovN-宽度
和p一平均线性N-宽度定分别定义为
dNW(,,.,X),一、,([。二(,F。N)lyd·己w。xx(())\I1/y。Poo, (1.0.5)
N \JW /
AN)W(u,X);一、,(fII二一。xllydpx())/”.‘。、,、0o, (1.0.6)
I^\JW /
其中,FN和TN分别取遍X中所有维数不超过N的线性子空间和线性算子.
函数类的经典Kolmogorov宽度刻画了 最‘坏”元素在worstcasesetting下的最
优误差.和经典Kolmogorov宽度一样,概率宽度刻画了最佳逼近误差.然而,在经
典的情况下,误差是由函数类的 最“坏”元素定义的,因此,它不能反映整个空间最
佳逼近情况,但在概率框架情形下,误差是由测度至少为 1一S的子集在worstcase
setting下定义的,它反映了W 的所有子集最佳逼近的W-分布,给出了达到某个误差
阶的元素在给定测度下的分布,更深刻地刻画了函数类的内在结构特征.
平均框架下的误差是由误差在给定测度下的积分定义的,因此,它反映了空间大
多数元素的最优逼近.
经典的宽度已经得到深入的研究(见
文档评论(0)