Resumen

Basándonos en el método de gradiente conjugado escalado (SCALCG) presentado por Andrei (2007) y en el método de proyección presentado por Solodov y Svaiter, proponemos un método SCALCG para resolver ecuaciones no lineales monótonas con restricciones convexas. El método SCALCG puede considerarse como una combinación del método de gradiente conjugado y el método tipo Newton para resolver problemas de optimización sin restricciones. Por lo tanto, tiene las ventajas de ambos métodos. Es adecuado para resolver problemas a gran escala. Por lo tanto, se puede aplicar para resolver ecuaciones no lineales monótonas a gran escala con restricciones convexas. Bajo condiciones razonables, demostramos su convergencia global. También realizamos algunos experimentos numéricos que muestran que el método propuesto es eficiente y prometedor.

• Materias:Modelado matemático Modelo de red neuronal Tasa de convergencia Aritmética Ondículas libres
• Subjects:Mathematical modeling Neural network model Convergence rate Arithmetic Free wavelets
• Palabras claves:Método del gradiente conjugado; Método de proyección; Ecuaciones no lineales monótonas; Restricciones convexas; Problemas a gran escala; Convergencia global
• Keywords:Conjugate gradient; Projection method; Monotone nonlinear equations; Convex constraints; Large-scale problems; Global convergence