36、谱估计(标准顶点条件)

谱估计(标准顶点条件)

1. 研究背景与目标

在有限紧致度量图上,具有 $L^1$ 势的薛定谔算子的谱是纯离散的。这是因为此类算子可视为在所有端点处具有狄利克雷条件的薛定谔算子(狄利克雷算子)的有限秩扰动。本文的主要目标是证明谱估计,比较薛定谔算子和参考拉普拉斯算子的谱,这两个微分算子本质上作用于同一度量图。研究的主要原因是,非罗宾拉普拉斯算子的谱更容易计算,并且作为研究的副产品,我们将证明著名的安巴尔楚米扬定理的推广。

2. 渐近等谱性的定义
  • 定义 :两个无界、半有界自伴算子 $A$ 和 $B$,其离散谱分别为 ${\lambda_n(A)} {n = 1}^{\infty}$ 和 ${\lambda_n(B)} {n = 1}^{\infty}$,若满足 $\lim_{n \to \infty}(\sqrt{\lambda_n(A)} - \sqrt{\lambda_n(B)}) = 0$,则称它们渐近等谱。
  • 条件 :为保证量子图的渐近等谱性,只要特征值满足估计 $|\lambda_n(L_S^q) - \lambda_n(L_S)| \leq Cn^{1 - \epsilon}$,其中 $\epsilon > 0$ 即可。
3. 定理陈述

设 $L^{st}$ 和 $L_q^{st}$ 分别是紧致有限度量图 $\Gamma$ 上的标准拉普拉斯算子和标准薛定谔算子,且薛定谔算子中的势 $q \in L^1(\Gamma)$。则拉普拉斯算子和薛定谔算子渐近等谱,并且它们的特征值

先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值