Un algoritmo autoadaptativo para la solución común del problema de minimización de la división y el problema del punto fijo
Autores: Kaewyong, Nattakarn; Sitthithakerngkiet, Kanokwan
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Un algoritmo autoadaptativo para la solución común del problema de minimización de la división y el problema del punto fijo
Categoría
Matemáticas
Subcategoría
Análisis matemático
Palabras clave
Algoritmo
Teorema de convergencia
Espacios de Hilbert
Experimentos numéricos
Algoritmo proximal
Extrapolación inercial
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 19
Citaciones: Sin citaciones
En este documento, se construyó un nuevo algoritmo de tamaño de paso autoadaptativo para aproximar la solución del problema de minimización dividida y el problema del punto fijo de aplicaciones no expansivas, que combinaba el algoritmo proximal y un método iterativo modificado de Mann con extrapolación inercial. Se proporcionó el teorema de convergencia fuerte en el marco de los espacios de Hilbert y luego se demostró bajo algunas condiciones adecuadas. Nuestro resultado mejoró los resultados relacionados en la literatura. Además, también se proporcionaron algunos experimentos numéricos para mostrar la consistencia, precisión y rendimiento de nuestro algoritmo en comparación con los algoritmos existentes en la literatura.
Descripción
En este documento, se construyó un nuevo algoritmo de tamaño de paso autoadaptativo para aproximar la solución del problema de minimización dividida y el problema del punto fijo de aplicaciones no expansivas, que combinaba el algoritmo proximal y un método iterativo modificado de Mann con extrapolación inercial. Se proporcionó el teorema de convergencia fuerte en el marco de los espacios de Hilbert y luego se demostró bajo algunas condiciones adecuadas. Nuestro resultado mejoró los resultados relacionados en la literatura. Además, también se proporcionaron algunos experimentos numéricos para mostrar la consistencia, precisión y rendimiento de nuestro algoritmo en comparación con los algoritmos existentes en la literatura.