Metodos de lagrangiano aumentado com convergencia utilizando a condição de dependencia linear positiva constante

Detalhes bibliográficos
Autor(a) principal: Schuverdt, Maria Laura
Data de Publicação: 2006
Tipo de documento: Tese
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/1601660
Resumo: Orientadores: Jose Mario Martinez, Roberto Andreani
id UNICAMP-30_2e31d5d2c2b61c346d7dd53bb23e5104
oai_identifier_str oai::360606
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Metodos de lagrangiano aumentado com convergencia utilizando a condição de dependencia linear positiva constanteAugumented lagrangian methods with convergence under the constant positive linear dependence conditionProgramação não-linearAlgoritmosOtimização matemáticaNonlinear programmingAlgorithmsMathematical optimizationOrientadores: Jose Mario Martinez, Roberto AndreaniTese (doutorado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Computação CientificaResumo: Condições de qualificação são ferramentas úteis na análise de convergência de métodos de otimização. Neste trabalho provamos que a nova condição de dependência linear positiva constante (CPLD) é uma condição de qualificação e mostramos que ela é mais fraca que condições clássicas, como regularidade, Mangasarian- Fromovitz e posto constante. Além disso, apresentamos um algo ritmo de Lagrangiano aumentado para resolver problemas gerais de programação matemática com convergência utilizando a CPLD. O algo ritmo proposto é definido para resolver problemas com dois conjuntos de restrições: um, mais complexo, formado pelas restrições que são penalizadas e, outro, mais simples, pelas restrições que são satisfeitas por todos os iterados gerados no processo. O resultado de convergência global estabelece que se um ponto limite da seqüência gerada pelo algoritmo satisfaz a condição CPLD então esse ponto é um ponto estacionário do problema original. O resultado de convergência global obtido é mais forte que resultados de convergência para problemas mais específicos obtidos utilizando condições de qualificação mais fortes, como a regularidade. Indicamos também as hipóteses adequadas sob as quais obtemos limitação do parâmetro de penalidade. A confiabilidade do algo ritmo foi testada mediante uma exaustiva comparação com o algoritmo LANCELOT, mostrando que nosso método é mais robusto e eficiente. Além disso, e como aplicação do nosso algoritmo no caso em que restrições diferentes são incorporadas no problema, apresentamos a resolução de problemas de alocação nos quais existem muitas restrições não-lineares no conjunto complexo. Utilizando o método de Gradiente Projetado Espectral mostramos que problemas desse tipo com muitas variáveis e restrições são resolvidos de maneira eficiente num tempo razoávelAbstract: Contraint qualifications are useful tools in the convergence analysis of optimization methods. In this work we prove that the new constant positive linear dependence condition (CPLD) is a constraint qualification and we show that it is weaker than classic constraint qualifications, like the regularity, the Mangasarian-Fromovitz and the constant rank conditions. Moreover, we introduce an augmented Lagrangian algorithm for solving general nonlinear programming problems whose convergence result uses the CPLD condition. The proposed algorithm is developed for problems with two sets of constraints: a complex one, formed by the penalized constraints and a simple one, formed by the constraints that are verified for all the iterates generated along the process. The global convergence result establishes that if a limit point of the sequence generated by the algorithm satisfies the CPLD condition then this point is a stationary point of the original problem. Thus, the global convergence result is stronger than the previous results for more specific problems obtained using stronger constraint qualification, as the regularity. We also indicate suitable conditions under which we prove boundedness of the penalty parameter. The reliability of the approach was tested by means of an exhaustive comparison against LANCELOT, demonstrating that our method is more robust and efficient. Moreover, as an application of our algorithm when different constraints are incorporated, we introduce the resolution of Location Problems in which there exist many nonlinear constraints in the complex set. We show that, employing the Spectral Projected Gradient method for solving the subproblems, this class of problems with many variables and constraints is efficiently solved with moderate computational effortDoutoradoOtimizaçãoDoutor em Matemática Aplicada[s.n.]Martínez Pérez, José Mario, 1948-Andreani, Roberto, 1961-Iusem, Alfredo NoelMaculan Filho, NelsonBirgin, Ernesto Julián GoldbergUniversidade Estadual de Campinas. Instituto de Matemática, Estatística e Computação CientíficaPrograma de Pós-Graduação em Matemática AplicadaUNIVERSIDADE ESTADUAL DE CAMPINASSchuverdt, Maria Laura20062006-08-03T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdf127p. : il.(Broch.)https://hdl.handle.net/20.500.12733/1601660SCHUVERDT, Maria Laura. Metodos de lagrangiano aumentado com convergencia utilizando a condição de dependencia linear positiva constante. 2006. 127p. Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Computação Cientifica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1601660. Acesso em: 14 mai. 2024.https://repositorio.unicamp.br/acervo/detalhe/360606porreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2022-09-29T12:43:47Zoai::360606Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2022-09-29T12:43:47Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Metodos de lagrangiano aumentado com convergencia utilizando a condição de dependencia linear positiva constante
Augumented lagrangian methods with convergence under the constant positive linear dependence condition
title Metodos de lagrangiano aumentado com convergencia utilizando a condição de dependencia linear positiva constante
spellingShingle Metodos de lagrangiano aumentado com convergencia utilizando a condição de dependencia linear positiva constante
Schuverdt, Maria Laura
Programação não-linear
Algoritmos
Otimização matemática
Nonlinear programming
Algorithms
Mathematical optimization
title_short Metodos de lagrangiano aumentado com convergencia utilizando a condição de dependencia linear positiva constante
title_full Metodos de lagrangiano aumentado com convergencia utilizando a condição de dependencia linear positiva constante
title_fullStr Metodos de lagrangiano aumentado com convergencia utilizando a condição de dependencia linear positiva constante
title_full_unstemmed Metodos de lagrangiano aumentado com convergencia utilizando a condição de dependencia linear positiva constante
title_sort Metodos de lagrangiano aumentado com convergencia utilizando a condição de dependencia linear positiva constante
author Schuverdt, Maria Laura
author_facet Schuverdt, Maria Laura
author_role author
dc.contributor.none.fl_str_mv Martínez Pérez, José Mario, 1948-
Andreani, Roberto, 1961-
Iusem, Alfredo Noel
Maculan Filho, Nelson
Birgin, Ernesto Julián Goldberg
Universidade Estadual de Campinas. Instituto de Matemática, Estatística e Computação Científica
Programa de Pós-Graduação em Matemática Aplicada
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Schuverdt, Maria Laura
dc.subject.por.fl_str_mv Programação não-linear
Algoritmos
Otimização matemática
Nonlinear programming
Algorithms
Mathematical optimization
topic Programação não-linear
Algoritmos
Otimização matemática
Nonlinear programming
Algorithms
Mathematical optimization
description Orientadores: Jose Mario Martinez, Roberto Andreani
publishDate 2006
dc.date.none.fl_str_mv 2006
2006-08-03T00:00:00Z
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 (Broch.)
https://hdl.handle.net/20.500.12733/1601660
SCHUVERDT, Maria Laura. Metodos de lagrangiano aumentado com convergencia utilizando a condição de dependencia linear positiva constante. 2006. 127p. Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Computação Cientifica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1601660. Acesso em: 14 mai. 2024.
identifier_str_mv (Broch.)
SCHUVERDT, Maria Laura. Metodos de lagrangiano aumentado com convergencia utilizando a condição de dependencia linear positiva constante. 2006. 127p. Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Computação Cientifica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1601660. Acesso em: 14 mai. 2024.
url https://hdl.handle.net/20.500.12733/1601660
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/360606
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
127p. : il.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1799138407018921984

Registros relacionados