NFDNA - um algoritmo para otimização não convexa e não diferenciável

• Ano de defesa: 2016
• Autor(a) principal: Fernandes, Camila de Freitas
• Orientador(a): Freire, Wilhelm Passarella
• Banca de defesa: Mazorche, Sandro Rodrigues , Duarte, Alexandre Rocha
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Juiz de Fora
• Programa de Pós-Graduação: Mestrado Acadêmico em Matemática
• Departamento: ICE – Instituto de Ciências Exatas
• País: Brasil
• Palavras-chave em Português: Otimização Não Diferenciável; Otimização Não Convexa; Dualidade Lagrangeana; Algoritmos de Pontos Interiores; Direções Viáveis em Otimização; Nonsmooth Optimization; Nonconvex Optimization; Lagrangean Duality; Feasible Directions Interior Points Algorithms
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA
• Link de acesso: https://repositorio.ufjf.br/jspui/handle/ufjf/1837

Neste trabalho estudamos um algoritmo para solução de problemas de otimização irrestrita com funções não necessariamente convexas ou diferenciáveis, denominado Nonsmooth Feasible Direction Nonconvex Algorithm - NFDNA, e fazemos uma aplicação deste algoritmo que consistiu em utilizá-lo como subrotina de um outro algoritmo chamado Interior Epigraph Direction (IED) method. O IED, desenvolvido para resolver problemas de otimização não convexa, não diferenciável mas com restrições, utiliza Dualidade Lagrangeana que requer a minimização da função Lagrangeana. A eficiência do IED depende fortemente de tal minimização. Como aplicação, substituímos a rotina fminsearch do Matlab, utilizada originalmente pelo IED, pelo NFDNA. Mostramos através da solução de problemas teste que a performance do IED foi mais eficiente com a utilização do NFDNA.