Resumen

Para encontrar una solución de problemas de optimización no restringidos, normalmente utilizamos un método de gradiente conjugado (CG) ya que no requiere memoria ni almacenamiento de segunda derivada como el método de Newton o el método de BroydenFletcherGoldfarbShanno (BFGS). Recientemente, se propuso una nueva modificación del método de Polak y Ribiere con una nueva condición de reinicio para dar lugar a un método llamado AZPRP. En este artículo, proponemos una nueva modificación del método CG AZPRP para resolver problemas de optimización no restringidos a gran escala basados en una modificación de la condición de reinicio. El nuevo parámetro satisface la propiedad de descenso y el análisis de convergencia global con la búsqueda de línea fuerte de Wolfe-Powell. Los resultados numéricos demuestran que el nuevo método de CG es fuertemente agresivo en comparación con el método CG_Descent. Las comparaciones se realizan en un conjunto de más de 140 funciones estándar de la biblioteca CUTEst. La comparación incluye el número de iteraciones y el tiempo de

• Materias:Internet de las cosas Algoritmo iterativo Algoritmo de evaluación Viga viscoelástica Lenguaje de programación
• Subjects:Internet of things Iterative algorithm Evaluation algorithm Viscoelastic beam Programming language
• Palabras claves:Solución; Problemas de optimización no restringidos; Método del gradiente conjugado; Memoria; Almacenamiento; Segunda derivada
• Keywords:Solution; Unconstrained optimization problems; Conjugate gradient; Memory; Storage; Second derivative