Resumen

Basándose en un modelo de marea interna, se investigan computacionalmente las prestaciones prácticas del método BFGS de memoria limitada (L-BFGS) y de dos métodos de descenso de gradiente (GD) (el normal con búsqueda de línea de Wolfe y el simplificado) mediante una serie de experimentos ideales en los que las condiciones de contorno abiertas (OBC) se invierten asimilando las observaciones interiores con el método adjunto. En el caso de que las observaciones más cercanas a la frontera desconocida se incluyan para la asimilación, el método L-BFGS obtiene los mejores resultados. En comparación con el método GD simplificado, el normal utiliza realmente menos iteraciones para alcanzar una solución satisfactoria, pero su ventaja sobre el simplificado es mucho menor de lo esperado. En el caso de que sólo se asimilen las observaciones más alejadas de la frontera desconocida, el método GD simplificado es el que obtiene mejores resultados, mientras que los resultados de los otros dos métodos no son satisfactorios. El algoritmo avanzado L-BFGS y la búsqueda de líneas de Wolfe aún deben mejorarse cuando se aplican a casos prácticos. El método GD simplificado, que es controlable y fácil de aplicar, debería considerarse seriamente como una opción, especialmente cuando las técnicas de optimización avanzadas clásicas fallan o tienen un rendimiento deficiente.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:método gd simplificado, búsqueda de líneas, normal, simplificado, frontera desconocida, técnicas clásicas de optimización avanzada, modelo interno de mareas, condiciones de frontera abiertas, wolfe, caso
• Keywords:simplified gd method, line search, normal one, simplified one, unknown boundary, classical advanced optimization techniques, internal tidal model, open boundary conditions, wolfe, case