[en] ITERATIVE METHODS FOR ROBUST CONVEX OPTIMIZATION

• Ano de defesa: 2020
• Autor(a) principal: THIAGO DE GARCIA PAULA S MILAGRES
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] METODOS INTERATIVOS; [pt] ONLINE LEARNING; [pt] MULTIPLICATIVE WEIGHTS UPDAT; [pt] AGREGACAO DE RESTRICOES; [pt] OTIMIZACAO CONVEXA ONLINE; [pt] OTIMIZACAO CONVEXA; [pt] OTIMIZACAO ROBUSTA; [en] INTERATIVE METHODS; [en] ONLINE LEARNING; [en] MULTIPLICATIVE WEIGHTS UPDAT; [en] CONSTRAINT AGGREGATION; [en] ONLINE CONVEX OPTIMIZATION; [en] CONVEX OPTIMIZATION; [en] ROBUST OPTIMIZATION
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=47228&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=47228&idi=2; http://doi.org/10.17771/PUCRio.acad.47228

[pt] Otimização Robusta é uma das formas mais comuns de considerar in- certeza nos parâmetros de um problema de otimização. A forma tradicional de achar soluções robustas consiste em resolver a contraparte robusta de um problema, o que em muitos casos, na prática, pode ter um custo computacional proibitivo. Neste trabalho, estudamos métodos iterativos para resolver problemas de Otimização Convexa Robusta de forma aproximada, que não exigem a formulação da contraparte robusta. Utilizamos conceitos de Online Learning para propor um novo algoritmo que utiliza agregação de restrições, demonstrando garantias teóricas de convergência. Desenvolvemos ainda uma modificação deste algoritmo que, apesar de não possuir tais garantias, obtém melhor performance prática. Por fim, implementamos outros métodos iterativos conhecidos da literatura de Otimização Robusta e fazemos uma análise computacional de seus desempenhos.