Un algoritmo q-BFGS modificado para optimización sin restricciones
Autores: Lai, Kin Keung; Mishra, Shashi Kant; Sharma, Ravina; Sharma, Manjari; Ram, Bhagwat
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un algoritmo q-BFGS modificado para optimización sin restricciones
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Modificación
Cuasi-Newton
Derivadas
Hessiano
Armijo-Wolfe
Convergencia
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 19
Citaciones: Sin citaciones
Este documento presenta una modificación del método -BFGS para problemas de optimización no lineal sin restricciones. Para esta modificación, utilizamos una matriz simple simétrica y definida positiva y proponemos una nueva ecuación -cuasi-Newton, que está cerca de la ecuación -cuasi-Newton ordinaria en el caso límite. Este método utiliza solo derivadas de primer orden para construir una aproximación de Hessian sobre un número de iteraciones. La condición de búsqueda de línea -Armijo-Wolfe se utiliza para calcular la longitud del paso, lo que garantiza que el valor de la función objetivo esté disminuyendo. Este método modificado de -BFGS conserva las propiedades de convergencia global del método -BFGS, sin la suposición de convexidad sobre la función objetivo. Se presentan resultados numéricos sobre algunos problemas de prueba, que muestran que se ha logrado una mejora. Además, representamos los resultados numéricos a través de los perfiles de rendimiento.
Descripción
Este documento presenta una modificación del método -BFGS para problemas de optimización no lineal sin restricciones. Para esta modificación, utilizamos una matriz simple simétrica y definida positiva y proponemos una nueva ecuación -cuasi-Newton, que está cerca de la ecuación -cuasi-Newton ordinaria en el caso límite. Este método utiliza solo derivadas de primer orden para construir una aproximación de Hessian sobre un número de iteraciones. La condición de búsqueda de línea -Armijo-Wolfe se utiliza para calcular la longitud del paso, lo que garantiza que el valor de la función objetivo esté disminuyendo. Este método modificado de -BFGS conserva las propiedades de convergencia global del método -BFGS, sin la suposición de convexidad sobre la función objetivo. Se presentan resultados numéricos sobre algunos problemas de prueba, que muestran que se ha logrado una mejora. Además, representamos los resultados numéricos a través de los perfiles de rendimiento.