Estudo do desempenho de métodos de amostragem para minimização irrestrita não suave

On the performance of sampling methods for unconstrained minimization

dc.creatorSilva, David Ricardo Barreto Lima, 1985-
dc.date2018
dc.date2018-02-21T00:00:00Z
dc.date2018-03-22T18:32:48Z
dc.date2018-03-22T18:32:48Z
dc.date.accessioned2018-03-29T06:18:08Z
dc.date.available2018-03-29T06:18:08Z
dc.identifierSILVA, David Ricardo Barreto Lima. Estudo do desempenho de métodos de amostragem para minimização irrestrita não suave. 2018. 1 recurso online (110 p.). Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matemática Estatística e Computação Científica, Campinas, SP.
dc.identifierhttp://repositorio.unicamp.br/jspui/handle/REPOSIP/331088
dc.identifier.urihttp://repositorioslatinoamericanos.uchile.cl/handle/2250/1368799
dc.descriptionOrientadores: Sandra Augusta Santos, Lucas Eduardo Azevedo Simões
dc.descriptionDissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matemática Estatística e Computação Científica
dc.descriptionResumo: A otimização não suave é um ramo da otimização que trabalha com funções objetivo não diferenciáveis em um subconjunto do domínio. Neste trabalho, apresentamos resultados computacionais para a minimização de problemas nos quais as funções objetivo são não diferenciáveis em um subconjunto de medida nula do domínio, e não apresentam restrições. O algoritmo Gradient Sampling (GS) foi proposto recentemente e minimiza a função objetivo com base no gradiente calculado em amostras de pontos gerados uniformemente em uma vizinhança do ponto corrente. Variações deste método envolvendo diferentes direções e diferentes valores de parâmetros foram exploradas. Problemas conhecidos da literatura foram utilizados para analisar comparativamente o comportamento de algumas variantes do método e sua dependência com relação ao número de pontos amostrados. O número de iterações e o valor ótimo obtido foram as medidas de eficiência utilizadas, e pela natureza randômica do método, cada problema foi resolvido diversas vezes, para garantir a relevância estatística dos resultados
dc.descriptionAbstract: Nonsmooth optimization is a branch of optimization that deals with non-differentiable objective functions in a subset of the domain. In this work, we present computational results for the minimization of problems in which the objective functions are non-differentiable in a subset of the domain with null measure, and do not present restrictions. The Gradient Sampling (GS) algorithm was recently proposed and minimizes the objective function based on the computed gradient at sampled points uniformly generated in a neighborhood of the current point. Variations of this method involving different directions and different parameter values have been explored. Problems from the literature were used to comparatively analyze the behavior of some variants of the method and its dependence on the number of sampled points. The number of iterations and the optimum value obtained were the efficiency measures used, and due to the random nature of the method, each problem was solved several times, to guarantee the statistical relevance of the results
dc.descriptionMestrado
dc.descriptionMatematica Aplicada
dc.descriptionMestre em Matemática Aplicada
dc.descriptionCAPES
dc.format1 recurso online (110 p.) : il., digital, arquivo PDF.
dc.formatapplication/pdf
dc.languagePortuguês
dc.publisher[s.n.]
dc.relationRequisitos do sistema: Software para leitura de arquivo em PDF
dc.subjectOtimização não diferenciável
dc.subjectOtimização irrestrita
dc.subjectAlgoritmos
dc.subjectAmostragem (Estatística)
dc.subjectExperimentos numéricos
dc.subjectNondifferentiable optimization
dc.subjectUnrestricted optimization
dc.subjectAlgorithms
dc.subjectSampling (Statistics)
dc.subjectNumerical experiments
dc.titleEstudo do desempenho de métodos de amostragem para minimização irrestrita não suave
dc.titleOn the performance of sampling methods for unconstrained minimization
dc.typeTesis


Este ítem pertenece a la siguiente institución