Les méthodes intérieures du point proximal et du gradient (sous-gradient) ont déjà été beaucoup étudiées en optimisation convexe. Elles sont basées sur une mesure de proximité associée à la norme Euclidienne. \\
Dans ce travail, nous considérons à nouveau ces méthodes et nous introduisons une autre mesure de proximité qui nous permet d'éliminer les contraintes et de présenter des résultats de convergence globale similaires à ceux obtenus dans le cas sans contraintes. \\
Les résultats sont illustrés par des applications et exemples ainsi que par de nouveaux algorithmes simples pour les problèmes d'optimisation conique. \\
En particulier, nous trouvons une classe d'algorithmes du gradient intérieur qui fournit un taux de convergence global estimé de l'ordre de k-2.
- convex optimization
- interior gradient/subgradient algorithms
- proximal distance
- conic optimization and convergence
Méthodes intérieures du point proximal et du gradient pour l'optimisation convexe et conique
Lambert, D. (Auteur). 2007
Student thesis: Master types › Master en sciences mathématiques