Resumen

El método del gradiente conjugado (CG) ha desempeñado un papel especial en la resolución de problemas de optimización no lineal a gran escala debido a la simplicidad de sus requisitos de memoria muy bajos. Este artículo propone un método del gradiente conjugado que es similar al método del gradiente conjugado de Dai-Liao (Dai y Liao, 2001) pero con propiedades de convergencia más fuertes. El método dado posee la condición de descenso suficiente y es globalmente convergente bajo la búsqueda de línea de Wolfe-Powell (SWP) para funciones generales. Nuestros resultados numéricos muestran que el método propuesto es muy eficiente para los problemas de prueba.

• 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; Problemas de optimización no lineal; Requisitos de memoria; Propiedades de convergencia; Condición de descenso; Resultados numéricos
• Keywords:Conjugate gradient method; Nonlinear optimization problems; Memory requirements; Convergence properties; Descent condition; Numerical results