Busca direcional não-monótona em métodos de amostragem de gradiente para otimização não-convexa e não-suave

• Processo: 13/14615-7
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de outubro de 2013
• Data de Término da vigência: 28 de fevereiro de 2017
• Área de conhecimento: Ciências Exatas e da Terra - Matemática - Matemática Aplicada
• Pesquisador responsável: Sandra Augusta Santos
• Beneficiário: Lucas Eduardo Azevedo Simões
• Instituição Sede: Instituto de Matemática, Estatística e Computação Científica (IMECC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Vinculado ao auxílio: 13/05475-7 - Métodos computacionais de otimização, AP.TEM
• Palavra(s)-Chave do Pesquisador: busca linear não monótona | Implementação Computacional | métodos de amostragem de gradiente | otimização não convexa | Otimização não suave | teoria de convergência | Otimização e Análise Numérica

Resumo

Recentemente, problemas de otimização com funções não suaves localmente Lipschitz vem ganhando maior interesse científico. Algoritmos desenvolvidos para resolver tais problemas baseiam-se na ideia de construção de direções de busca a partir de uma amostragem de gradientes em torno do ponto atual de iteração. No presente projeto propomos estudar um assunto ortogonal ao aprimoramento das direções de busca. A pesquisa se concentrará no desenvolvimento de técnicas destinadas a aliviar o custo computacional da busca linear; uma vez que a construção de direções sofisticada já maturou nos campos teóricos e práticos, acreditamos que essa seja uma área natural de pesquisa. Em particular, o alvo concreto primário de nossos esforços será o desenvolvimento de técnicas de busca linear não-monótona para problemas de otimização não-suave.

Publicações científicas

(4)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

HELOU, ELIAS S.; SIMOES, LUCAS E. A.. epsilon-subgradient algorithms for bilevel convex optimization. INVERSE PROBLEMS, v. 33, n. 5, MAY 2017. (13/07375-0, 11/02219-4, 13/14615-7, 13/16508-3)

HELOU, ELIAS S.; SANTOS, SANDRA A.; SIMOES, LUCAS E. A.. A fast gradient and function sampling method for finite-max functions. COMPUTATIONAL OPTIMIZATION AND APPLICATIONS, v. 71, n. 3, p. 673-717, DEC 2018. (13/05475-7, 13/07375-0, 16/22989-2, 13/16508-3, 13/14615-7)

HELOU, ELIAS SALOMAO; SANTOS, SANDRA A.; SIMOES, LUCAS E. A.. On the Local Convergence Analysis of the Gradient Sampling Method for Finite Max-Functions. JOURNAL OF OPTIMIZATION THEORY AND APPLICATIONS, v. 175, n. 1, p. 137-157, OCT 2017. (13/07375-0, 13/05475-7, 16/22989-2, 13/14615-7)

HELOU, ELIAS SALOMAO; SANTOS, SANDRA A.; SIMOES, LUCAS E. A.. On the differentiability check in gradient sampling methods. OPTIMIZATION METHODS & SOFTWARE, v. 31, n. 5, p. 983-1007, OCT 2016. (13/16508-3, 13/05475-7, 13/14615-7, 13/07375-0)

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

SIMÕES, Lucas Eduardo Azevedo. Sampling techniques for nonsmooth optimization. 2017. Tese de Doutorado - Universidade Estadual de Campinas (UNICAMP). Instituto de Matemática, Estatística e Computação Científica Campinas, SP.