Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

Large-scale unconstrained optimization using separable cubic modeling and matrix-free subspace minimization

Texto completo
Autor(es):
Bras, C. P. [1, 2] ; Martinez, J. M. [3] ; Raydan, M. [1]
Número total de Autores: 3
Afiliação do(s) autor(es):
[1] UNL, FCT, CMA, P-2829516 Caparica - Portugal
[2] UNL, FCT, Dept Matemat, P-2829516 Caparica - Portugal
[3] Univ Estadual Campinas, IMECC UNICAMP, Dept Appl Math, Rua Sergio Buarque Holanda, BR-13083859 Campinas, SP - Brazil
Número total de Afiliações: 3
Tipo de documento: Artigo Científico
Fonte: COMPUTATIONAL OPTIMIZATION AND APPLICATIONS; OCT 2019.
Citações Web of Science: 0
Resumo

We present a new algorithm for solving large-scale unconstrained optimization problems that uses cubic models, matrix-free subspace minimization, and secant-type parameters for defining the cubic terms. We also propose and analyze a specialized trust-region strategy to minimize the cubic model on a properly chosen low-dimensional subspace, which is built at each iteration using the Lanczos process. For the convergence analysis we present, as a general framework, a model trust-region subspace algorithm with variable metric and we establish asymptotic as well as complexity convergence results. Preliminary numerical results, on some test functions and also on the well-known disk packing problem, are presented to illustrate the performance of the proposed scheme when solving large-scale problems. (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