Algoritmo abstracto de épsilon-descenso generalizado

Descripción del Articulo

Dado el problema de minimizar una función posiblemente no convexa y no suave en el espacio euclidiano, presentamos un algoritmo abstracto de ϵ-descenso generalizado. Este algoritmo está motivado por la convergencia abstracta de métodos de descenso demostrada en Attouch et al. sección 2 (Math Program...

Descripción completa

Detalles Bibliográficos
Autores: Castillo Ventura, Estéfany, Papa Quiroz, Erik Alex
Formato: artículo
Fecha de Publicación:2022
Institución:Universidad Nacional Mayor de San Marcos
Repositorio:Revistas - Universidad Nacional Mayor de San Marcos
Lenguaje:español
OAI Identifier:oai:ojs.csi.unmsm:article/24364
Enlace del recurso:https://revistasinvestigacion.unmsm.edu.pe/index.php/matema/article/view/24364
Nivel de acceso:acceso abierto
Materia:Non-smooth optimization
non-convex optimization
coercive function
descent methods
relative error
scalar errors
Optimización no suave
optimización no convexa
función coerciva
métodos de descenso
error relativo
errores escalares
id REVUNMSM_a0ef2812a5d0071a502643e7e2e8cfca
oai_identifier_str oai:ojs.csi.unmsm:article/24364
network_acronym_str REVUNMSM
network_name_str Revistas - Universidad Nacional Mayor de San Marcos
repository_id_str
spelling Algoritmo abstracto de épsilon-descenso generalizadoAbstract generalized epsilon-descent algorithmCastillo Ventura, EstéfanyPapa Quiroz, Erik AlexCastillo Ventura, EstéfanyPapa Quiroz, Erik AlexNon-smooth optimizationnon-convex optimizationcoercive functiondescent methodsrelative errorscalar errorsOptimización no suaveoptimización no convexafunción coercivamétodos de descensoerror relativoerrores escalaresDado el problema de minimizar una función posiblemente no convexa y no suave en el espacio euclidiano, presentamos un algoritmo abstracto de ϵ-descenso generalizado. Este algoritmo está motivado por la convergencia abstracta de métodos de descenso demostrada en Attouch et al. sección 2 (Math Program Ser A, 137: 91–129, 2013) con una diferencia escencial, consideramos errores escalares en cada aproximación. Como resultado obtenemos, que todo punto de acumulación de las sucesiones generadas por algoritmos que cumplen con las codiciones del algoritmo abstracto son puntos críticos limite generalizados.Given the problem of minimizing a possibly non-convex and non-smooth function in Euclidean space, we present an abstract generalized ϵ-descent algorithm. This algorithm is motivated by the abstract convergence of descent methods introduced by Attouch et al. section 2 (Math Program Ser A, 137: 91-129, 2013) with one essential difference, we consider scalar errors in each approximation. As a result, we obtain that all accumulation points of the sequences generated by algorithms satisfying the conditions of the abstract algorithm are generalized critical limit points.Universidad Nacional Mayor de San Marcos, Facultad de Ciencias Matemáticas2022-12-30info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://revistasinvestigacion.unmsm.edu.pe/index.php/matema/article/view/2436410.15381/pesquimat.v25i2.24364Pesquimat; Vol. 25 No. 2 (2022); 70-91Pesquimat; Vol. 25 Núm. 2 (2022); 70-911609-84391560-912Xreponame:Revistas - Universidad Nacional Mayor de San Marcosinstname:Universidad Nacional Mayor de San Marcosinstacron:UNMSMspahttps://revistasinvestigacion.unmsm.edu.pe/index.php/matema/article/view/24364/19014Derechos de autor 2022 Estéfany Castillo Ventura, Erik Alex Papa Quirozhttp://creativecommons.org/licenses/by-nc-sa/4.0info:eu-repo/semantics/openAccessoai:ojs.csi.unmsm:article/243642022-12-30T23:32:46Z
dc.title.none.fl_str_mv Algoritmo abstracto de épsilon-descenso generalizado
Abstract generalized epsilon-descent algorithm
title Algoritmo abstracto de épsilon-descenso generalizado
spellingShingle Algoritmo abstracto de épsilon-descenso generalizado
Castillo Ventura, Estéfany
Non-smooth optimization
non-convex optimization
coercive function
descent methods
relative error
scalar errors
Optimización no suave
optimización no convexa
función coerciva
métodos de descenso
error relativo
errores escalares
title_short Algoritmo abstracto de épsilon-descenso generalizado
title_full Algoritmo abstracto de épsilon-descenso generalizado
title_fullStr Algoritmo abstracto de épsilon-descenso generalizado
title_full_unstemmed Algoritmo abstracto de épsilon-descenso generalizado
title_sort Algoritmo abstracto de épsilon-descenso generalizado
dc.creator.none.fl_str_mv Castillo Ventura, Estéfany
Papa Quiroz, Erik Alex
Castillo Ventura, Estéfany
Papa Quiroz, Erik Alex
author Castillo Ventura, Estéfany
author_facet Castillo Ventura, Estéfany
Papa Quiroz, Erik Alex
author_role author
author2 Papa Quiroz, Erik Alex
author2_role author
dc.subject.none.fl_str_mv Non-smooth optimization
non-convex optimization
coercive function
descent methods
relative error
scalar errors
Optimización no suave
optimización no convexa
función coerciva
métodos de descenso
error relativo
errores escalares
topic Non-smooth optimization
non-convex optimization
coercive function
descent methods
relative error
scalar errors
Optimización no suave
optimización no convexa
función coerciva
métodos de descenso
error relativo
errores escalares
description Dado el problema de minimizar una función posiblemente no convexa y no suave en el espacio euclidiano, presentamos un algoritmo abstracto de ϵ-descenso generalizado. Este algoritmo está motivado por la convergencia abstracta de métodos de descenso demostrada en Attouch et al. sección 2 (Math Program Ser A, 137: 91–129, 2013) con una diferencia escencial, consideramos errores escalares en cada aproximación. Como resultado obtenemos, que todo punto de acumulación de las sucesiones generadas por algoritmos que cumplen con las codiciones del algoritmo abstracto son puntos críticos limite generalizados.
publishDate 2022
dc.date.none.fl_str_mv 2022-12-30
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv https://revistasinvestigacion.unmsm.edu.pe/index.php/matema/article/view/24364
10.15381/pesquimat.v25i2.24364
url https://revistasinvestigacion.unmsm.edu.pe/index.php/matema/article/view/24364
identifier_str_mv 10.15381/pesquimat.v25i2.24364
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv https://revistasinvestigacion.unmsm.edu.pe/index.php/matema/article/view/24364/19014
dc.rights.none.fl_str_mv Derechos de autor 2022 Estéfany Castillo Ventura, Erik Alex Papa Quiroz
http://creativecommons.org/licenses/by-nc-sa/4.0
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Derechos de autor 2022 Estéfany Castillo Ventura, Erik Alex Papa Quiroz
http://creativecommons.org/licenses/by-nc-sa/4.0
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad Nacional Mayor de San Marcos, Facultad de Ciencias Matemáticas
publisher.none.fl_str_mv Universidad Nacional Mayor de San Marcos, Facultad de Ciencias Matemáticas
dc.source.none.fl_str_mv Pesquimat; Vol. 25 No. 2 (2022); 70-91
Pesquimat; Vol. 25 Núm. 2 (2022); 70-91
1609-8439
1560-912X
reponame:Revistas - Universidad Nacional Mayor de San Marcos
instname:Universidad Nacional Mayor de San Marcos
instacron:UNMSM
instname_str Universidad Nacional Mayor de San Marcos
instacron_str UNMSM
institution UNMSM
reponame_str Revistas - Universidad Nacional Mayor de San Marcos
collection Revistas - Universidad Nacional Mayor de San Marcos
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1795238281987751936
score 13.958958
Algoritmo abstracto de épsilon-descenso generalizado
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares