Tasas de Convergencia para el Método de Direcciones Conjugadas de Gram-Schmidt de Hestenes sin Derivadas en Optimización Numérica
Autores: Stein, Ivie; Raihen, Md Nurul
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Tasas de Convergencia para el Método de Direcciones Conjugadas de Gram-Schmidt de Hestenes sin Derivadas en Optimización Numérica
Categoría
Matemáticas
Subcategoría
Matemáticas aplicadas
Palabras clave
Tasas de convergencia
Factores de convergencia de cociente
Factores de convergencia de raíz
Método de dirección conjugada de Gram-Schmidt de Hestenes
Función no cuadrática
Método de Newton
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 17
Citaciones: Sin citaciones
En este trabajo, estudiamos las tasas de convergencia utilizando factores de convergencia de cociente y factores de convergencia de raíz, como lo describen Ortega y Rheinboldt, para el método de dirección conjugada de Gram-Schmidt de Hestenes sin derivadas. Realizamos cálculos para hacer una comparación entre este método de dirección conjugada, para minimizar una función no cuadrática, y el método de Newton, para resolver. Nuestro objetivo principal fue implementar el método CGS de Hestenes sin derivadas y determinar las tasas de convergencia.
Descripción
En este trabajo, estudiamos las tasas de convergencia utilizando factores de convergencia de cociente y factores de convergencia de raíz, como lo describen Ortega y Rheinboldt, para el método de dirección conjugada de Gram-Schmidt de Hestenes sin derivadas. Realizamos cálculos para hacer una comparación entre este método de dirección conjugada, para minimizar una función no cuadrática, y el método de Newton, para resolver. Nuestro objetivo principal fue implementar el método CGS de Hestenes sin derivadas y determinar las tasas de convergencia.