Método de Gauss-Newton-Secante para resolver problemas de mínimos cuadrados no lineales bajo condiciones de Lipschitz generalizadas
Autores: Argyros, Ioannis K.; Shakhno, Stepan; Iakymchuk, Roman; Yarmola, Halyna; Argyros, Michael I.
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Método de Gauss-Newton-Secante para resolver problemas de mínimos cuadrados no lineales bajo condiciones de Lipschitz generalizadas
Categoría
Matemáticas
Subcategoría
Análisis matemático
Palabras clave
Convergencia local
Método iterativo
Problemas de mínimos cuadrados no lineales
Condiciones de Lipschitz
órdenes de convergencia
Estimaciones de error
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 20
Citaciones: Sin citaciones
Desarrollamos una convergencia local de un método iterativo para resolver problemas de mínimos cuadrados no lineales con descomposición de operadores bajo las condiciones de Lipschitz clásicas y generalizadas. Consideramos el caso de residuos tanto cero como no cero y determinamos sus órdenes de convergencia. Utilizamos dos tipos de condiciones de Lipschitz (condiciones de región central y restringida) para estudiar la convergencia del método. Además, obtenemos un radio de convergencia más grande y estimaciones de error más ajustadas que en trabajos anteriores. Por lo tanto, ampliamos la aplicabilidad de este método bajo el mismo esfuerzo computacional.
Descripción
Desarrollamos una convergencia local de un método iterativo para resolver problemas de mínimos cuadrados no lineales con descomposición de operadores bajo las condiciones de Lipschitz clásicas y generalizadas. Consideramos el caso de residuos tanto cero como no cero y determinamos sus órdenes de convergencia. Utilizamos dos tipos de condiciones de Lipschitz (condiciones de región central y restringida) para estudiar la convergencia del método. Además, obtenemos un radio de convergencia más grande y estimaciones de error más ajustadas que en trabajos anteriores. Por lo tanto, ampliamos la aplicabilidad de este método bajo el mismo esfuerzo computacional.