Restauração Inexata em Otimização Estocástica

• Processo: 25/01919-5
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Mestrado
• Data de Início da vigência: 15 de maio de 2025
• Data de Término da vigência: 14 de novembro de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Matemática - Matemática Aplicada
• Pesquisador responsável: Luis Felipe Cesar da Rocha Bueno
• Beneficiário: Matheus Fideles Leite
• Supervisor: Stefania Bellavia
• Instituição Sede: Instituto de Ciência e Tecnologia (ICT). Universidade Federal de São Paulo (UNIFESP). Campus São José dos Campos. São José dos Campos , SP, Brasil
• Instituição Anfitriã: Università degli Studi di Firenze, Itália
• Vinculado à bolsa: 24/03354-2 - Restauração Inexata para problemas de otimização com imprecisões, BP.MS
• Assunto(s): Modelagem computacional Programação estocástica Programação não linear Otimização
• Palavra(s)-Chave do Pesquisador: Métodos Computacionais | Programação Estocástica | Programacão Não-linear | Restauração inexata | Otimização

Resumo

A Restauração Inexata (RI) é uma abordagem amplamente conhecida e aplicada na otimização, com métodos bem estabelecidos para problemas determinísticos com restrições. Muitas das contribuições nesse campo foram realizadas pelo grupo ao qual pertence o orientador deste projeto. No entanto, a aplicação da RI à otimização estocástica foi adaptada para casos sem restrições pelo grupo de pesquisa do supervisor anfitrião deste projeto. Além disso, o referido grupo está atualmente trabalhando na extensão de um algoritmo de minimização de soma finita sem restrições para problemas estocásticos com restrições, em colaboração com o orientador do candidato. Propomos que, durante este estágio, o candidato estude a teoria dos métodos estocásticos, um tópico importante que ainda não é totalmente dominado pelo grupo brasileiro. Esperamos que o candidato se familiarize tanto com o caso sem restrições quanto com o desenvolvimento em andamento do método com restrições. O estudante também deverá se envolver com implementações computacionais dos algoritmos desenvolvidos e explorar opções de técnicas de regularização e busca linear no contexto estocástico.