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

Detalhes bibliográficos
Autor(a) principal: Silva, David Ricardo Barreto Lima, 1985-
Data de Publicação: 2018
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/1632961
Resumo: Orientadores: Sandra Augusta Santos, Lucas Eduardo Azevedo Simões
id UNICAMP-30_4ef1199dd9f736a3237418ba599f2c5f
oai_identifier_str oai::992193
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Estudo do desempenho de métodos de amostragem para minimização irrestrita não suaveOn the performance of sampling methods for unconstrained minimizationOtimização não diferenciávelOtimização irrestritaAlgoritmosAmostragem (Estatística)Experimentos numéricosNondifferentiable optimizationUnrestricted optimizationAlgorithmsSampling (Statistics)Numerical experimentsOrientadores: Sandra Augusta Santos, Lucas Eduardo Azevedo SimõesDissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matemática Estatística e Computação CientíficaResumo: 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 resultadosAbstract: 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 resultsMestradoMatemática AplicadaMestre em Matemática AplicadaCAPESCNPQ[s.n.]Santos, Sandra Augusta, 1964-Simões, Lucas Eduardo Azevedo, 1989-Ehrhardt, Maria Aparecida DinizBirgin, Ernesto Julián GoldbergUniversidade Estadual de Campinas (UNICAMP). Instituto de Matemática, Estatística e Computação CientíficaPrograma de Pós-Graduação em Matemática AplicadaUNIVERSIDADE ESTADUAL DE CAMPINASSilva, David Ricardo Barreto Lima, 1985-20182018-02-21T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (110 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/1632961SILVA, 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. Disponível em: https://hdl.handle.net/20.500.12733/1632961. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/992193Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2021-04-30T19:14:10Zoai::992193Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2021-04-30T19:14:10Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Estudo do desempenho de métodos de amostragem para minimização irrestrita não suave
On the performance of sampling methods for unconstrained minimization
title Estudo do desempenho de métodos de amostragem para minimização irrestrita não suave
spellingShingle Estudo do desempenho de métodos de amostragem para minimização irrestrita não suave
Silva, David Ricardo Barreto Lima, 1985-
Otimização não diferenciável
Otimização irrestrita
Algoritmos
Amostragem (Estatística)
Experimentos numéricos
Nondifferentiable optimization
Unrestricted optimization
Algorithms
Sampling (Statistics)
Numerical experiments
title_short Estudo do desempenho de métodos de amostragem para minimização irrestrita não suave
title_full Estudo do desempenho de métodos de amostragem para minimização irrestrita não suave
title_fullStr Estudo do desempenho de métodos de amostragem para minimização irrestrita não suave
title_full_unstemmed Estudo do desempenho de métodos de amostragem para minimização irrestrita não suave
title_sort Estudo do desempenho de métodos de amostragem para minimização irrestrita não suave
author Silva, David Ricardo Barreto Lima, 1985-
author_facet Silva, David Ricardo Barreto Lima, 1985-
author_role author
dc.contributor.none.fl_str_mv Santos, Sandra Augusta, 1964-
Simões, Lucas Eduardo Azevedo, 1989-
Ehrhardt, Maria Aparecida Diniz
Birgin, Ernesto Julián Goldberg
Universidade Estadual de Campinas (UNICAMP). Instituto de Matemática, Estatística e Computação Científica
Programa de Pós-Graduação em Matemática Aplicada
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Silva, David Ricardo Barreto Lima, 1985-
dc.subject.por.fl_str_mv Otimização não diferenciável
Otimização irrestrita
Algoritmos
Amostragem (Estatística)
Experimentos numéricos
Nondifferentiable optimization
Unrestricted optimization
Algorithms
Sampling (Statistics)
Numerical experiments
topic Otimização não diferenciável
Otimização irrestrita
Algoritmos
Amostragem (Estatística)
Experimentos numéricos
Nondifferentiable optimization
Unrestricted optimization
Algorithms
Sampling (Statistics)
Numerical experiments
description Orientadores: Sandra Augusta Santos, Lucas Eduardo Azevedo Simões
publishDate 2018
dc.date.none.fl_str_mv 2018
2018-02-21T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/1632961
SILVA, 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. Disponível em: https://hdl.handle.net/20.500.12733/1632961. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/1632961
identifier_str_mv SILVA, 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. Disponível em: https://hdl.handle.net/20.500.12733/1632961. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/992193
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (110 p.) : il., digital, arquivo PDF.
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_ 1809189120482738176

Registros relacionados