Numerische Verfahren der konvexen, nichtglatten Optimierung

Beschreibung

In der konvexen, nichtglatten Optimierung betrachtet man das Problem,
ein Minimum einer konvexen Funktion zu berechnen, die
nicht überall differenzierbar ist. Solche Aufgabenstellungen treten
bei der Auswertung von Messdaten und in vielen Anwendungen
der Wirtschaftswissenschaften und der Technik auf. Dieses Lehrbuch
behandelt numerische Verfahren zur Lösung nichtglatter, konvexer
Optimierungsprobleme, die sich im praktischen Einsatz bewährt
haben. Die Verfahren werden so dargestellt, dass der Leser in der
Lage ist, einfache Versionen selbst zu implementieren. Zahlreiche
numerische Beispiele demonstrieren die Anwendung der Verfahren.
Kompakte Einführung, anwendungsorientiert
Konvexe Optimierungsprobleme mit einer nichtglatten Zielfunktion treten in vielen Anwendungen auf, beispielsweise im Zusammenhang mit Penalty-Verfahren für differenzierbare Optimierungsprobleme, mit der Lagrange-Relaxation bei kombinatorischen Optimierungsproblemen oder bei der Strukturoptimierung von Stabwerken. Die wichtigsten numerischen Verfahren zur Lösung solcher Optimierungsprobleme sind Subgradienten- und Bundle-Verfahren. Das Buch gibt eine kompakte Einführung in die Grundlagen dieser Verfahren, die den Leser in die Lage versetzt, einfache Versionen der Verfahren selbst zu implementieren.

Autor*in

Walter Alt

Themen in »Numerische Verfahren der konvexen, nichtglatten Optimierung«

Approximative Ableitungen Approximative Abstiegsverfahren Bundle-Verfahren Gradientenverfahren Optimierung Optimierungsprobleme Subgradientenverfahren konvexe Mengen

Stimmen zu »Numerische Verfahren der konvexen, nichtglatten Optimierung«

Details

Link teilen