[pt] PROGRAMAÇÃO SEMIDEFINIDA VIA ALGORITMO DE PONTO PROXIMAL GENERALIZADO

• Ano de defesa: 2019
• Autor(a) principal: MARIO HENRIQUE ALVES SOUTO NETO
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] OTIMIZACAO CONVEXA; [pt] ALGORITMOS PROXIMAIS; [pt] OPERADORES MONOTONICOS; [pt] PROGRAMACAO SEMIDEFINIDA; [en] CONVEX OPTIMIZATION; [en] PROXIMAL ALGORITHMS; [en] MONOTONE OPERATORS; [en] SEMIDEFINITE PROGRAMMING
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=40183&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=40183&idi=2; http://doi.org/10.17771/PUCRio.acad.40183

[pt] Diversos problemas em engenharia, aprendizado de máquina e economia podem ser resolvidos através de Programação Semidefinida (SDP). Potenciais aplicações podem ser encontradas em telecomunicações, fluxo de potência e teoria dos jogos. Além disso, como SDP é uma subclasse de otimização convexa, temos uma série de propriedades e garantias que fazem da SDP uma tecnologia muito poderosa. Entretanto, dentre as diferentes subclasses de otimização convexa, SDP ainda permanece como uma das mais desafiadoras. Instancias de larga escala ainda não podem ser resolvidas pelos atuais softwares disponíveis. Nesse sentido, esta tese porpõe um novo algoritmo para resolver problemas de SDP. A principal contribuição deste novo algoritmo é explorar a propriedade de posto baixo presente em diversas instancias. A convergência desta nova metodologia é provada ao mostrar que o algoritmo proposto é um caso particular do Approximate Proximal Point Algorithm. Adicionalmente, as variáveis ótimas duais são disponibilizadas como uma consequência do algoritmo proposto. Além disso, disponibilizamos um software para resolver problemas de SDP, chamado ProxSDP. Três estudos de caso são utilizados para avaliar a performance do algoritmo proposto.