逆强单调算子带可和误差的动态弦平均方法

《Axioms》：The Dynamic String-Averaging Method for Inverse Strongly-Monotone Operators with Summable Errors

　　

在W. Takahashi和M. Toyoda（2003）的工作中，引入并研究了一种求解由逆强单调映射引起的变分不等式问题的迭代过程，并证明了该迭代过程的弱收敛性。近期，研究人员证明了同一迭代过程的多数精确迭代是变分不等式的近似解。在本工作中，研究人员使用动态弦平均算法来求解有限个由逆强单调映射引起的变分不等式问题和有限个不动点问题的公共解。研究人员在可和计算误差存在的情况下研究了该算法，证明了非近似解的迭代点集基数有限，且不超过一个可计算的常数。

**论文解读：逆强单调算子带可和误差的动态弦平均方法**

**1. 研究背景与问题**

变分不等式（Variational Inequality, VI）问题和不动点（Fixed Point, FP）问题是非线性分析与优化理论中的核心研究课题。自W. Takahashi和M. Toyoda（2003）提出求解由逆强单调（Inverse Strongly-Monotone, ISM）映射诱导的变分不等式问题的迭代方法以来，该方向获得了广泛关注。然而，实际计算中由于计算机精度限制和数值误差的累积，迭代过程不可避免地产生误差。传统研究多假设误差为零或仅考虑精确迭代，这在工程应用中不现实。此外，当需要同时求解多个变分不等式和多个不动点问题时，单一迭代方法往往难以高效收敛。因此，如何在存在可和计算误差（Summable Computational Errors）的条件下，设计一种能够同时处理有限个变分不等式和有限个不动点问题的算法，并保证大多数迭代点成为近似解，成为亟待解决的问题。

**2. 研究内容与结论**

本研究针对上述问题，采用动态弦平均（Dynamic String-Averaging, DSA）算法，在可和误差存在的情况下，求解有限个由逆强单调映射生成的变分不等式问题和有限个不动点问题的公共解。研究人员证明了：在满足一定条件时，算法生成的迭代序列中，非近似解的迭代点数量有限，且其基数不超过一个可明确计算的常数。该结论为实际应用中评估算法性能提供了理论保障，表明即使在误差累积下，算法仍能有效地逼近公共解。

论文发表于《Axioms》期刊，其意义在于将动态弦平均方法从精确迭代推广到带误差情形，并给出了量化误差影响的估计，为非线性算子分裂方法提供了新的理论支撑。

**3. 主要技术方法**

研究人员采用了以下关键方法：
- **动态弦平均算法**：将迭代向量划分为若干“弦”，每个弦由一组映射向量组成，通过并行处理各个弦并加权平均生成下一步迭代。该算法允许在每次迭代中动态选择弦的组成和权重，增强了灵活性。
- **误差建模**：假设计算误差序列为可和序列（即误差绝对值之和有限），并引入两个性质（Q1和Q2）保证所有算子对迭代更新的影响均匀。
- **投影与不动点工具**：利用度量投影（Metric Projection）的性质，以及逆强单调算子的特征（如与不动点间的等价关系），结合引理（如Lemma 1-5）进行收敛性分析。
- **近似解定义**：定义了迭代点为近似解的条件（即与精确解的距离小于给定容差），并通过估计非近似解的数量来量化算法性能。

**4. 研究结果**

- **定理1（主定理）**：在给定条件下（包括误差可和性、弦约束等），证明了迭代序列满足：对任意整数n，迭代点与集合Ω（公共解集）的距离趋于零，且非近似解的迭代点数量不超过一个显式常数。该定理通过详细的数学推导，利用凸性、投影不等式和误差界，逐步控制了迭代误差的传播。
- **性质(a)和(b)**：作为定理1的推导中间结果，证明了当迭代点接近集合时，其后续迭代的误差满足特定界，从而为最终估计奠定基础。
- **近似解集合的基数估计**：通过定义集合E（包含所有非近似解的迭代索引），明确指出E的基数可由已知常数计算，从而可以预先估计所需迭代次数。

**5. 讨论与结论**

讨论部分指出，动态弦平均方法在带误差情形下仍能保持收敛性，且误差的影响被限制在可计算范围内。与传统方法相比，该方法允许更大的灵活性，并且可并行处理，适合大规模问题。结论部分重申了主要贡献：证明了带可和误差的动态弦平均算法生成的迭代序列中，非近似解的数量有限，且不超过一个可计算的常数。这一结果推广了以往仅适用于精确迭代的结论，为实际应用提供了理论保证。

**6. 总结**

本研究通过严谨的数学分析，将动态弦平均方法推广到带可和误差的情形，并给出了非近似解数量的上界。研究不仅解决了理论上的收敛性问题，还为实际计算中误差控制提供了指导。该工作为变分不等式和不动点问题的迭代求解提供了新的理论工具，具有重要的学术价值。