Texto completo
| |
| Autor(es): |
Lucas Eduardo Azevedo Simões
Número total de Autores: 1
|
| Tipo de documento: | Tese de Doutorado |
| Imprenta: | Campinas, SP. |
| Instituição: | Universidade Estadual de Campinas (UNICAMP). Instituto de Matemática, Estatística e Computação Científica |
| Data de defesa: | 2017-03-16 |
| Membros da banca: |
Sandra Augusta Santos;
José Mario Martínez Pérez;
Lucio Tunes dos Santos;
Claudia Alejandra Sagastizabal;
Ademir Alves Ribeiro
|
| Orientador: | Sandra Augusta Santos; Elias Salomão Helou Neto |
| Resumo | |
O método amostral de gradientes (GS) é um algoritmo recentemente desenvolvido para resolver problemas de otimização não suave. Fazendo uso de informações de primeira ordem da função objetivo, este método generaliza o método de máxima descida, um dos clássicos algoritmos para minimização de funções suaves. Este estudo tem como objetivo desenvolver e explorar diferentes métodos amostrais para a otimização numérica de funções não suaves. Inicialmente, provamos que é possível ter uma convergência global para o método GS na ausência do procedimento chamado "teste de diferenciabilidade". Posteriormente, apresentamos condições que devem ser esperadas para a obtenção de uma taxa de convergência local linear do método GS. Finalmente, um novo método amostral com convergência local superlinear é apresentado, o qual se baseia não somente no cálculo de gradientes, mas também nos valores da função objetivo nos pontos sorteados (AU) | |
| Processo FAPESP: | 13/14615-7 - Busca direcional não-monótona em métodos de amostragem de gradiente para otimização não-convexa e não-suave |
| Beneficiário: | Lucas Eduardo Azevedo Simões |
| Modalidade de apoio: | Bolsas no Brasil - Doutorado |