我提出了一种优化算法，我声称它在很多方面都比以前的算法有所改进。

其中一个主张是，我提出的解决方案不需要明确的 SVD 和伪逆计算，我认为这是好的，因为在我的情况下，扰动很重要，而且我相信这些例程传统上对扰动不稳定。

我的问题是现代线性代数计算库（例如 LAPACK v3.0）中的实现，这种说法有多强？

总结一下：

我每次迭代的方法：

• 广义特征值问题只有一种解

每次迭代的旧方法：

• 广义特征值问题的一种解决方案，AND，
• 雅可比行列式的一种显式 SVD 计算，$J = USV^{\intercal}$
• 基于雅可比行列式的伪逆的两个显式计算，$J$. 也就是说，（1）$J^{\dagger}$(2) $V^{\dagger}$

鉴于我的算法将有输入扰动，并且考虑到现代线性代数例程的稳定性，我的主张是一个强大的卖点吗？