Resumen

En este trabajo, basado en el método HS y en una versión modificada del método PRP, se propone un método híbrido de gradiente conjugado (CG) para resolver problemas de optimización sin restricciones a gran escala. El parámetro CG generado por el método es siempre no negativo. Además, la dirección de búsqueda posee la propiedad de descenso suficiente independiente de la búsqueda lineal. Utilizando la regla estándar de búsqueda lineal de Wolfe-Powell para obtener el tamaño de los pasos, se muestra la convergencia global del método propuesto bajo las hipótesis comunes. Finalmente, los resultados numéricos muestran que el método propuesto es prometedor en comparación con dos métodos existentes.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:métodos propuestos, gradiente conjugado híbrido, reglas de búsqueda lineal, propiedad de descenso suficiente, búsqueda lineal powell, métodos, problema de optimización sin restricciones, versión modificada, direcciones de búsqueda, resultados numéricos
• Keywords:proposed methods, hybrid conjugate gradient, line search rules, sufficient descent property, powell line search, methods, unconstrained optimization problem, modified version, search directions, numerical results