Newton-type and conjugate gradient methods for vector optimization

• Ano de defesa: 2022
• Autor(a) principal: Lima, Fernando Santana
• Orientador(a): Gonçalves, Max Leandro Nobre
• Banca de defesa: Gonçalves, Max Leandro Nobre, Prudente, Leandro da Fonseca, Melo, Jefferson Divino Gonçalves de, Lopes, Jurandir de Oliveira, Grapiglia, Geovani Nunes
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Goiás
• Programa de Pós-Graduação: Programa de Pós-graduação em Matemática (IME)
• Departamento: Instituto de Matemática e Estatística - IME (RG)
• País: Brasil
• Palavras-chave em Português: Otimização vetorial; Otimalidade Pareto; Método de Newton; Método de gradiente conjugado; Convergência global
• Palavras-chave em Inglês: Vector optimization; Pareto optimality; Newton method; Conjugate gradient method; Global convergence
• Área do conhecimento CNPq: CIENCIAS EXATAS E DA TERRA::MATEMATICA
• Link de acesso: http://repositorio.bc.ufg.br/tede/handle/tede/12020

Neste trabalho, propomos e analisamos alguns métodos para resolver problemas de otimização vetorial sem restrições. Inicialmente propomos dois métodos do tipo Newton. O primeiro é diretamente inspirado pelo método de Newton para resolver problemas convexos, enquanto o segundo usa informações de segunda ordem das funções objetivos com ingredientes do método de máxima descida. Um dos pontos-chave dos métodos do tipo Newton é impor algumas estratégias de salvaguarda nas direções de busca. As convergências globais dos métodos supracitados se baseiam, em primeiro lugar, na apresentação e estabelecimento da convergência global de um algoritmo geral e, em seguida, na demostração que os novos métodos podem ser visto como uma instância do algoritmo geral. Depois nos dedicamos ao estudo de métodos de gradiente conjugado (CG). Estudamos três variantes de métodos de CG não lineares de Liu-Storey (LS) para resolver problemas de otimização vetorial, originalmente projetados para resolver problemas de otimização escalar. Por fim, propomos um método geral de CG para problemas de otimização vetorial com propriedade de descida suficiente sobre as direções de busca. Experimentos numéricos ilustram a eficiência prática dos novos métodos e comparações com os algoritmos existentes são discutidas.