Resumen

El método del gradiente conjugado es muy efectivo para resolver problemas óptimos no restringidos a gran escala. En este documento, basándose en el parámetro conjugado del método de descenso conjugado (CD) y la segunda desigualdad en la búsqueda de línea fuerte de Wolfe, se han ideado dos nuevos parámetros conjugados. Utilizando la búsqueda de línea fuerte de Wolfe para obtener las longitudes de paso, se proponen dos métodos modificados del gradiente conjugado para la optimización no restringida general. Bajo supuestos estándar, se demuestra que los dos métodos presentados son de descenso suficiente y convergen globalmente. Finalmente, se informan resultados numéricos preliminares para mostrar que los métodos propuestos son prometedores.

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Método del gradiente conjugado; A gran escala; Problemas óptimos no restringidos; Método de descenso conjugado; Búsqueda de línea de Wolfe fuerte; Convergencia global
• Keywords:Conjugate gradient method; Large-scale; Unconstrained optimal problems; Conjugate descent method; Strong Wolfe line search; Globally convergent