惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

K
Kaspersky official blog
Martin Fowler
Martin Fowler
CTFtime.org: upcoming CTF events
CTFtime.org: upcoming CTF events
V
Visual Studio Blog
博客园_首页
Engineering at Meta
Engineering at Meta
The Cloudflare Blog
MongoDB | Blog
MongoDB | Blog
Blog — PlanetScale
Blog — PlanetScale
T
The Blog of Author Tim Ferriss
雷峰网
雷峰网
D
Docker
博客园 - 司徒正美
S
SegmentFault 最新的问题
M
MIT News - Artificial intelligence
博客园 - 叶小钗
博客园 - 三生石上(FineUI控件)
U
Unit 42
J
Java Code Geeks
A
About on SuperTechFans
N
Netflix TechBlog - Medium
freeCodeCamp Programming Tutorials: Python, JavaScript, Git & More
S
Security Affairs
I
Intezer
Cisco Talos Blog
Cisco Talos Blog
C
Cyber Attacks, Cyber Crime and Cyber Security
Threat Intelligence Blog | Flashpoint
Threat Intelligence Blog | Flashpoint
B
Blog RSS Feed
P
Privacy & Cybersecurity Law Blog
T
Tenable Blog
T
Threatpost
H
Hacker News: Front Page
G
Google Developers Blog
博客园 - 【当耐特】
Hugging Face - Blog
Hugging Face - Blog
Apple Machine Learning Research
Apple Machine Learning Research
L
Lohrmann on Cybersecurity
大猫的无限游戏
大猫的无限游戏
Google DeepMind News
Google DeepMind News
A
Arctic Wolf
S
Secure Thoughts
GbyAI
GbyAI
NISL@THU
NISL@THU
S
Security @ Cisco Blogs
Exploit-DB.com RSS Feed
Exploit-DB.com RSS Feed
Webroot Blog
Webroot Blog
C
CXSECURITY Database RSS Feed - CXSecurity.com
O
OpenAI News
Spread Privacy
Spread Privacy
Application and Cybersecurity Blog
Application and Cybersecurity Blog

博客园 - fish.shadow song(若愚.影歌)

projective dynamics的global solve中 引入拉格朗日乘子的简化方法 恭喜PBD终于有了自己的物理解释和模型 所谓“中国学生数学NB”的神话 Physics Engine V0.4 Soft-Rigid-Vehicle Demo all in one 体积网格生成浏览器 自动生成TetraMesh的算法写好了不错,可以支持Multi Resolution 基于tetrahedron的柔体 Shape Match 的方法效果极差 气死我了 My Physics Engine V0.1 共轭梯度(Conjugate gradient) SPH的实时流体模拟 关于IS-LM曲线均衡情况下政府扩张性财政政策对于国民收入影响力的数学推导 基于Eulerian的grid方法和基于Lagrangian的SPH方法的流体模拟的比较 迷茫 暂停研究一段时间 有关convex和Triangle Mesh的碰撞中Inner Edge以及Inner Vertex所导致的错误法向量的处理方法 convex cast vehicle simulation 基于GJK的Convex Cast存在的Numerical问题
有关Lemek's algo中,除了Initial Ray外Second Ray是不可能出现(W0,W1,W2,。。。Z0均严格>0)的证明
fish.shadow song(若愚.影歌) · 2010-08-05 · via 博客园 - fish.shadow song(若愚.影歌)

    感觉Murty的书里讲的不清楚,我自己整理了遍自己的证明

   1。首先当Ax=b(A mxn)不是Degenerate的情况下(即b不可能由任意<m个的列向量表示出来的情况下)使用Lemke Law是不会出Basis Cycling的情况的。

证明:如果一个出现了Cycling的情况意味,对于某个Basis它可以由3个不同的Basis分别通过Enter一个Variable来达到,例如对于W0,Z0,W1,Z1,W2,Z2,W3,Z3,

假设它的某个Almost Complementary Feasible Basis:(Y0,Y1,Y2,Z0)可以由

     1.(Y0,Y2,Y3,Z0)-> (Y1 Enter,Y3 Leave)

     2.(Y1,Y2,Y3,Z0)-> (Y0 Enter,Y3 Leave)

     3.(Y0,Y1,Y3,Z0)-> (Y2 Enter,Y3 Leave)

这3种情况到达,那么显然3种情况下Y3都是Drop Variable而Y3 = (W3,Z3)其中的一个。显然上述式子中至少有2个的Y3是相同的,也就是至少有2个Y3都等于Z3或者都等于W3

以W3为例,假设:

      1.(Y0,Y2,W3,Z0)-> (Y1 Enter,Y3 Leave)

      2.(Y1,Y2,W3,Z0)-> (Y0 Enter,Y3 Leave)

显而易见(Y0,Y1,Y2,Z0)也可以通过

      1.(Y0,Y1,Y2,Z0)-> (W3 Enter,Y3 Leave) 到达 (Y0,Y2,W3,Z0)

      2.(Y0,Y1,Y2,Z0)-> (W3 Enter,Y0 Leave) 到达  (Y1,Y2,W3,Z0)

也就是说W3进入后,Basis(Y0,Y1,Y2,Z0)即可以选择Y3作为Drop Variable

又可以选择Y0做为Drop Variable来变为林外一个 Almost Complementary Feasible Basis

这意味着什么?意味着W3所对应的列向量中的第0 和第3行 的Minimum Ration是相同的,也就是

b0/a03 = b3/a33。这就意味着从Y0,Y1,Y2,Z0 到 Y0,Y2,W3,Z0或者Y1,Y2,W3,Z0的Pivot步骤被执行后

要么Y0对应的Basic Variable = 0 要么Y3对应的Basic Variable = 0 这就和非Degenerate的情况产生矛盾!

 因此:结论1

      Ax=b(A mxn)不是Degenerate的情况下(即b不可能由任意<m个的列向量表示出来的情况下)使用Lemke Law是不会出Basis Cycling

 结论2

     使用 Lexico Minimum ration来选择Drop Variable的情况下出现的Second Ray 是不会等于Initial Ray的,守先Murty书中说了当Ax=b是Degenerate的情况下可以通过给向量b一个扰动一就是存在一个足够小的数e0,对于任何e<e0 令E = (e,e^2,e^3...e^m) Ax=b+E是非Degenerate的,然后只要按照使用 Lexico Minimum ration来选择Drop Variable那么得出的Basis一定是Lexico feasible的(也就是一定存在足够小的e0 对任意e<e0 E = (e,e^2,e^3...e^m) ,Ax=b+E是Feasible的)。综合上面两条可得一定存在足够小的e0,对于任意e<e0 E = (e,e^2,e^3...e^m) ,我们对原系统Ax=b使用Lemke方法的时候系统:

1.Ax=b+E是非Degenerate的

2.Ax=b+E也进行着同样序列的Basis转换并且每次转换的Basis都是Feasible的(对应的变量均>=0)

接下来证明对于一个非Degenerate的系统Ax=b

因为它的初始BASIS是(w0,w1,w2,Wi-1,z0,Wi...Wm)

那么在使用Lemke的过程中他的Basis是不会变为(W0,W1,W2...Wj-1,z0,Wj...Wm)(i 不等于j)的

太累了明天继续写