A fast gradient and function sampling method for finite-max functions

Autor(es)

Helou, Elias S. ^[1] ; Santos, Sandra A. ^[2] ; Simoes, Lucas E. A. ^[2]

Afiliação do(s) autor(es)

^[1] Univ Sao Paulo, Inst Math Sci & Computat, Sao Carlos, SP - Brazil

^[2] Univ Estadual Campinas, Dept Appl Math, Campinas, SP - Brazil

• Tipo de documento: Artigo Científico
• Fonte: COMPUTATIONAL OPTIMIZATION AND APPLICATIONS; v. 71, n. 3, p. 673-717, DEC 2018.
• Citações Web of Science: 0

Resumo

This paper proposes an algorithm for the unconstrained minimization of a class of nonsmooth and nonconvex functions that can be written as finite-max functions. A gradient and function-based sampling method is proposed which, under special circumstances, either moves superlinearly to a minimizer of the problem of interest or improves the optimality certificate. Global and local convergence analysis are presented, as well as examples that illustrate the obtained theoretical results. (AU)

• Processo FAPESP: 13/05475-7 - Métodos computacionais de otimização
• Beneficiário: Sandra Augusta Santos
• Linha de fomento: Auxílio à Pesquisa - Temático
• Processo FAPESP: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria
• Beneficiário: José Alberto Cuminato
• Linha de fomento: Auxílio à Pesquisa - Centros de Pesquisa, Inovação e Difusão - CEPIDs
• Processo FAPESP: 16/22989-2 - Um método amostral para problemas de otimização não suave com restrições
• Beneficiário: Lucas Eduardo Azevedo Simões
• Linha de fomento: Bolsas no Brasil - Pós-Doutorado
• Processo FAPESP: 13/16508-3 - Cálculo rápido do operador generalizado de retroprojeção com aplicações em reconstrução tomográfica de imagens
• Beneficiário: Elias Salomão Helou Neto
• Linha de fomento: Auxílio à Pesquisa - Regular
• 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
• Linha de fomento: Bolsas no Brasil - Doutorado