PROGRAMAÇÃO SEMIDEFINIDA VIA ALGORITMO DE PONTO PROXIMAL GENERALIZADO

Bibliographic Details
Main Author: MARIO HENRIQUE ALVES SOUTO NETO
Publication Date: 2018
Format: Doctoral thesis
Language: eng
Source: Repositório Institucional da PUC-RIO (Projeto Maxwell)
Download full: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=40183@1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=40183@2
Summary: Diversos problemas em engenharia, aprendizado de máquina e economia podem ser resolvidos através de Programação Semidefinida (SDP). Potenciais aplicações podem ser encontradas em telecomunicações, fluxo de potência e teoria dos jogos. Além disso, como SDP é uma subclasse de otimização convexa, temos uma série de propriedades e garantias que fazem da SDP uma tecnologia muito poderosa. Entretanto, dentre as diferentes subclasses de otimização convexa, SDP ainda permanece como uma das mais desafiadoras. Instancias de larga escala ainda não podem ser resolvidas pelos atuais softwares disponíveis. Nesse sentido, esta tese porpõe um novo algoritmo para resolver problemas de SDP. A principal contribuição deste novo algoritmo é explorar a propriedade de posto baixo presente em diversas instancias. A convergência desta nova metodologia é provada ao mostrar que o algoritmo proposto é um caso particular do Approximate Proximal Point Algorithm. Adicionalmente, as variáveis ótimas duais são disponibilizadas como uma consequência do algoritmo proposto. Além disso, disponibilizamos um software para resolver problemas de SDP, chamado ProxSDP. Três estudos de caso são utilizados para avaliar a performance do algoritmo proposto.
id PUC_RIO-1_273382fdc2e9667d7d979dbe74c95026
oai_identifier_str oai:MAXWELL.puc-rio.br:40183
network_acronym_str PUC_RIO-1
network_name_str Repositório Institucional da PUC-RIO (Projeto Maxwell)
repository_id_str 534
spelling info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisPROGRAMAÇÃO SEMIDEFINIDA VIA ALGORITMO DE PONTO PROXIMAL GENERALIZADO SEMIDEFINITE PROGRAMMING VIA GENERALIZED PROXIMAL POINT ALGORITHM 2018-12-12ALVARO DE LIMA VEIGA FILHO48345644791lattes.cnpq.br/8855081325345654ALVARO DE LIMA VEIGA FILHODAVI MICHEL VALLADAODAVI MICHEL VALLADAODAVI MICHEL VALLADAODAVI MICHEL VALLADAO12447872720lattes.cnpq.br/0260019170705257MARIO HENRIQUE ALVES SOUTO NETOPONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIROPPG EM ENGENHARIA ELÉTRICAPUC-RioBRDiversos problemas em engenharia, aprendizado de máquina e economia podem ser resolvidos através de Programação Semidefinida (SDP). Potenciais aplicações podem ser encontradas em telecomunicações, fluxo de potência e teoria dos jogos. Além disso, como SDP é uma subclasse de otimização convexa, temos uma série de propriedades e garantias que fazem da SDP uma tecnologia muito poderosa. Entretanto, dentre as diferentes subclasses de otimização convexa, SDP ainda permanece como uma das mais desafiadoras. Instancias de larga escala ainda não podem ser resolvidas pelos atuais softwares disponíveis. Nesse sentido, esta tese porpõe um novo algoritmo para resolver problemas de SDP. A principal contribuição deste novo algoritmo é explorar a propriedade de posto baixo presente em diversas instancias. A convergência desta nova metodologia é provada ao mostrar que o algoritmo proposto é um caso particular do Approximate Proximal Point Algorithm. Adicionalmente, as variáveis ótimas duais são disponibilizadas como uma consequência do algoritmo proposto. Além disso, disponibilizamos um software para resolver problemas de SDP, chamado ProxSDP. Três estudos de caso são utilizados para avaliar a performance do algoritmo proposto.Many problems of interest can be solved by means of Semidefinite Programming (SDP). The potential applications range from telecommunications, electrical power systems, game theory and many more fields. Additionally, the fact that SDP is a subclass of convex optimization brings a set of theoretical guarantees that makes SDP very appealing. However, among all sub-classes of convex optimization, SDP remains one of the most challenging in practice. State-of-the-art semidefinite programming solvers still do not efficiently solve large scale instances. In this regard, this thesis proposes a novel algorithm for solving SDP problems. The main contribution of this novel algorithm is to achieve a substantial speedup by exploiting the low-rank property inherent to several SDP problems. The convergence of the new methodology is proved by showing that the novel algorithm reduces to a particular case of the Approximated Proximal Point Algorithm. Along with the theoretical contributions, an open source numerical solver, called ProxSDP, is made available with this work. The performance of ProxSDP in comparison to state-of-the-art SDP solvers is evaluated on three case studies.PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIROCONSELHO NACIONAL DE DESENVOLVIMENTO CIENTÍFICO E TECNOLÓGICOhttps://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=40183@1https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=40183@2engreponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)instacron:PUC_RIOinfo:eu-repo/semantics/openAccess2022-11-01T13:49:59Zoai:MAXWELL.puc-rio.br:40183Repositório InstitucionalPRIhttps://www.maxwell.vrac.puc-rio.br/ibict.phpopendoar:5342019-07-01T00:00Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)false
dc.title.pt.fl_str_mv PROGRAMAÇÃO SEMIDEFINIDA VIA ALGORITMO DE PONTO PROXIMAL GENERALIZADO
dc.title.alternative.en.fl_str_mv SEMIDEFINITE PROGRAMMING VIA GENERALIZED PROXIMAL POINT ALGORITHM
title PROGRAMAÇÃO SEMIDEFINIDA VIA ALGORITMO DE PONTO PROXIMAL GENERALIZADO
spellingShingle PROGRAMAÇÃO SEMIDEFINIDA VIA ALGORITMO DE PONTO PROXIMAL GENERALIZADO
MARIO HENRIQUE ALVES SOUTO NETO
title_short PROGRAMAÇÃO SEMIDEFINIDA VIA ALGORITMO DE PONTO PROXIMAL GENERALIZADO
title_full PROGRAMAÇÃO SEMIDEFINIDA VIA ALGORITMO DE PONTO PROXIMAL GENERALIZADO
title_fullStr PROGRAMAÇÃO SEMIDEFINIDA VIA ALGORITMO DE PONTO PROXIMAL GENERALIZADO
title_full_unstemmed PROGRAMAÇÃO SEMIDEFINIDA VIA ALGORITMO DE PONTO PROXIMAL GENERALIZADO
title_sort PROGRAMAÇÃO SEMIDEFINIDA VIA ALGORITMO DE PONTO PROXIMAL GENERALIZADO
author MARIO HENRIQUE ALVES SOUTO NETO
author_facet MARIO HENRIQUE ALVES SOUTO NETO
author_role author
dc.contributor.advisor1.fl_str_mv ALVARO DE LIMA VEIGA FILHO
dc.contributor.advisor1ID.fl_str_mv 48345644791
dc.contributor.advisor1Lattes.fl_str_mv lattes.cnpq.br/8855081325345654
dc.contributor.referee1.fl_str_mv ALVARO DE LIMA VEIGA FILHO
dc.contributor.referee2.fl_str_mv DAVI MICHEL VALLADAO
dc.contributor.referee3.fl_str_mv DAVI MICHEL VALLADAO
dc.contributor.referee4.fl_str_mv DAVI MICHEL VALLADAO
dc.contributor.referee5.fl_str_mv DAVI MICHEL VALLADAO
dc.contributor.authorID.fl_str_mv 12447872720
dc.contributor.authorLattes.fl_str_mv lattes.cnpq.br/0260019170705257
dc.contributor.author.fl_str_mv MARIO HENRIQUE ALVES SOUTO NETO
contributor_str_mv ALVARO DE LIMA VEIGA FILHO
ALVARO DE LIMA VEIGA FILHO
DAVI MICHEL VALLADAO
DAVI MICHEL VALLADAO
DAVI MICHEL VALLADAO
DAVI MICHEL VALLADAO
description Diversos problemas em engenharia, aprendizado de máquina e economia podem ser resolvidos através de Programação Semidefinida (SDP). Potenciais aplicações podem ser encontradas em telecomunicações, fluxo de potência e teoria dos jogos. Além disso, como SDP é uma subclasse de otimização convexa, temos uma série de propriedades e garantias que fazem da SDP uma tecnologia muito poderosa. Entretanto, dentre as diferentes subclasses de otimização convexa, SDP ainda permanece como uma das mais desafiadoras. Instancias de larga escala ainda não podem ser resolvidas pelos atuais softwares disponíveis. Nesse sentido, esta tese porpõe um novo algoritmo para resolver problemas de SDP. A principal contribuição deste novo algoritmo é explorar a propriedade de posto baixo presente em diversas instancias. A convergência desta nova metodologia é provada ao mostrar que o algoritmo proposto é um caso particular do Approximate Proximal Point Algorithm. Adicionalmente, as variáveis ótimas duais são disponibilizadas como uma consequência do algoritmo proposto. Além disso, disponibilizamos um software para resolver problemas de SDP, chamado ProxSDP. Três estudos de caso são utilizados para avaliar a performance do algoritmo proposto.
publishDate 2018
dc.date.issued.fl_str_mv 2018-12-12
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=40183@1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=40183@2
url https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=40183@1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=40183@2
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO
dc.publisher.program.fl_str_mv PPG EM ENGENHARIA ELÉTRICA
dc.publisher.initials.fl_str_mv PUC-Rio
dc.publisher.country.fl_str_mv BR
publisher.none.fl_str_mv PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO
dc.source.none.fl_str_mv reponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)
instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)
instacron:PUC_RIO
instname_str Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)
instacron_str PUC_RIO
institution PUC_RIO
reponame_str Repositório Institucional da PUC-RIO (Projeto Maxwell)
collection Repositório Institucional da PUC-RIO (Projeto Maxwell)
repository.name.fl_str_mv Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)
repository.mail.fl_str_mv
_version_ 1748324946193416192

Similar Items