روش ناحیه اعتماد نایکنواخت مدل مخروطی برای مساله های بهینه سازی نامقید
thesis
- وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی خواجه نصیرالدین طوسی - دانشکده علوم
- author مینا یاوری
- adviser سهراب عفتی
- Number of pages: First 15 pages
- publication year 1390
abstract
در این پایان نامه، روش جدید ناحیه اعتماد نایکنواخت مدل مخروطی برای مساله های بهینه سازی نامقید معرفی کرده ام. به دلیل درجه آزادی بیشتر مدل مخروطی نسبت به مدل در جه دوم، در این پایان نامه از مدل مخروطی استفاده می کنیم. مدل مخروطی تقریب بهتری از توابعی که رفتار غیر درجه دوم یعنی انحنایشان چندین بار عوض می شود دارند لذا مسائل بیشتری را می توانند تقریب بزنند. برای اجتناب از حل دوباره زیر مساله ناحیه اعتماد مبتنی بر مدل مخروطی، زمانی که گام های آزمایشی مورد قبول واقع نمی شوند، از تکنیک جستجوی خطی نایکنواخت استفاده می کنیم. در حقیقت زمانی که گام های آزمایشی توسط الگوریتم مورد قبول واقع نمی شوند، از جستجوی خطی نایکنواخت در امتداد گام رد شده استفاده می کنیم. خواص همگرایی روش جدید تحت فرضیه های مستدل اثبات می کنیم. نتایج عددی کارایی روش پیشنهاد شده را در مقایسه با روش های موجود نشان می دهند.
similar resources
رهیافتی جدید بر اساس ناحیه اعتماد مخروطی برای حل مساله بهینه سازی نامقید
روش های ناحیه اعتماد یکی از روش های حل مسایل بهینه سازی نامقید است که به صورت گسترده ای در ادبیات موضوع مورد بررسی قرار گرفته است. روش های ناحیه اعتماد و مدل مخروطی روش هایی هستند که در آن ها زیر مساله ناحیه اعتماد، مدل مخروطی تابع هدف در نقطه فعلی را روی قید ناحیه اعتماد بهینه می کند. در این پایان نامه، الگوریتم های ناحیه اعتماد و مدل درجه دوم و مدل مخروطی مورد بررسی قرار گرفته و رهیافتی جدید ...
15 صفحه اولیک روش ناحیه اعتماد نایکنواخت با جستجوی خطی نادقیق جدید برای بهینه سازی نامقید
در این پایان نامه، ابتدا قانون جستجوی خطی نادقیق نایکنواخت جدیدی که اخیرا در ادبیات موضوع مطرح شده است، ارائه می شود و سپس در روش ناحیه اعتماد برای مسایل بهینه سازی نامقید به کار برده می شود. در این قانون جستجوی خطی، مولفه نایکنواخت به جای مقدار تابع هدف فعلی ترکیب محدبی از مولفه نایکنواخت قبلی و مقدار تابع هدف فعلی است. با استفاده از این روش می توان در هر فرآیند جستجوی خطی به طول گام بزرگتری ر...
روش ناحیه اعتماد مخروطی برای مینیمم‌سازی تابع پیوسته لیپشیتز موضعی
In this paper, we present a trust region method for unconstrained optimization problems with locally Lipschitz functions. For this idea, at first, a smoothing conic model sub-problem is introduced for the objective function, by the approximation of steepest descent method. Next, for solving the conic sub-problem, we presented the modified convenient curvilinear search method and equipped it wit...
full textروش های ناحیه اطمینان غیریکنوا با مدل مخروطی برای بهینه سازی نامقید
بسیاری از الگوریتم های بهینه سازی از مدل مجذوری برای تقریب تابع هدف استفاده می کنند. مدل مخروطی برای بهینه سازی نامقید توسط دیویدان ارائه شد و تعمیم مدل مجذوری می باشد. مدل مخروطی نسبت به مدل مجذوری تابع هدف را بهتر تقریب می زند زیرا در شرایط درونیابی بیشتری صدق می کند. مدل مخروطی در چهار شرط درونیابی از مقادیر تابع هدف و گرادیان آن در نقطه کنونی و قبلی صدق می کند. استفاده از شرایط درونیابی بیش...
15 صفحه اولروش های ناحیه اعتماد برای مسایل بهینه سازی ناهموار
ابتدا یک مدل موضعی برای تابع لیپشیتز که با تقریبی از جهت تندترین کاهش ایجاد شده است، معرفی می شود. بر اساس این مدل، زیرمساله درجه دوم در روش ناحیه اعتماد کلاسیک با جایگزینی بردار گرادیان با تقریبی از جهت تندترین کاهش ارایه می شود. سپس، برای حل این زیرمساله، یکی از روش های کارا در روش های ناحیه اعتماد کلاسیک به کار گرفته می شود. همگرایی سراسری الگوریتم ارایه شده تحت شرایطی استاندارد و با استف...
یک روش گرادیان مزدوج اصلاح شده با جهت کاهشی برای مساله بهینه سازی نامقید
در این پایان نامه روش گرادیان مزدوج اصلاح شده برای حل مسایل بهینه سازی نامقید معرفی می شود که در آن خاصیت کاهش کافی بدون انجام جستجوی خطی برقرار بوده و جهت جستجو به طور خودکار در ناحیه اعتماد قرار می گیرد. از طرفی، شرط زوتندیک برای روش جستجوی خطی ولف- پاول برقرار است. همچنین این روش یک ویژگی مهم از روش پولاک- ریبری- پولیاک را نیز به ارث می برد: در صورتی که طول گامهای کوچک تولید شود، این روش تما...
15 صفحه اولMy Resources
document type: thesis
وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی خواجه نصیرالدین طوسی - دانشکده علوم
Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023