Resumen

Proponemos una clase de nuevos algoritmos de doble proyección para resolver problemas de desigualdad variacional, los cuales pueden ser vistos como un marco del método de Solodov y Svaiter al adoptar una clase de nuevos hiperplanos. Gracias a la propiedad de separación de hiperplanos, se demuestra que nuestro método es globalmente convergente bajo suposiciones muy leves. Además, proponemos una versión modificada de nuestro algoritmo que encuentra una solución de desigualdad variacional que también es un punto fijo de una asignación no expansiva dada. Si, además, se cumple cierto límite de error local, analizamos la tasa de convergencia de la secuencia iterativa. Experimentos numéricos demuestran que nuestros algoritmos son eficientes.

• Materias:Modelado matemático Modelo de red neuronal Tasa de convergencia Aritmética Ondículas libres
• Subjects:Mathematical modeling Neural network model Convergence rate Arithmetic Free wavelets
• Palabras claves:Clase; Algoritmos de proyección doble; Problema de desigualdad variacional; Hiperplanos; Mapeo no expansivo; Tasa de convergencia
• Keywords:Class; Double projection algorithms; Variational inequality problem; Hyperplanes; Nonexpansive mapping; Convergence rate