Optimization methods on Riemannian manifolds with lower bound curvature: gradient for scalar and multi-objective functions and subgradient for scalar functions
dc.contributor.advisor-co1 | Prudente, Leandro da Fonseca | |
dc.contributor.advisor-co1Lattes | http://lattes.cnpq.br/4573611419840935 | eng |
dc.contributor.advisor1 | Ferreira, Orizon Pereira | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/0201145506453251 | eng |
dc.contributor.referee1 | Ferreira, Orizon Pereira | |
dc.contributor.referee2 | Bento, Glaydston de Carvalho | |
dc.contributor.referee3 | Cruz Neto, João Xavier da | |
dc.contributor.referee4 | Santos, Paulo Sérgio Marques dos | |
dc.contributor.referee5 | Perez, Luis Roman Lucambio | |
dc.creator | Louzeiro, Maurício Silva | |
dc.creator.Lattes | http://lattes.cnpq.br/3049272965306538 | eng |
dc.date.accessioned | 2019-03-13T10:22:49Z | |
dc.date.issued | 2019-02-26 | |
dc.description.abstract | Let M a Riemannian manifolds with lower bounded curvature. In this thesis, we consider first-order iterative methods to solve optimization problems on M. The gradient method to solve the problem min{f(p) : p M}, where f : M → R is a continuously differentiable convex function is presented with Lipschitz step-size, adaptive step-size and Armijo’s step-size. The first procedure requires that the objective function has Lipschitz continuous gradient, which is not necessary for the other approaches. Convergence of the whole sequence to a minimizer, without any level set boundedness assumption, is proved. Iteration-complexity bound for functions with Lipschitz continuous gradient is also presented. In addition, all these approaches are considered in the multiobjective setting. Here we also consider the subgradient method to solve the problem min{f(p) : p M}, where f : M → R is a convex function. Iteration-complexity bounds of the subgradient method with exogenous step-size and Polyak’s step size are stablished, completing and improving recent results on the subject. Finally, some examples and numerical experiments are presented. | eng |
dc.description.provenance | Submitted by Ana Caroline Costa (ana_caroline212@hotmail.com) on 2019-03-12T17:28:11Z No. of bitstreams: 2 Tese - Maurício Silva Louzeiro - 2019.pdf: 1655384 bytes, checksum: a168bf697d30c99e45d2e9d19b65a563 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) | eng |
dc.description.provenance | Approved for entry into archive by Liliane Ferreira (ljuvencia30@gmail.com) on 2019-03-13T10:22:49Z (GMT) No. of bitstreams: 2 Tese - Maurício Silva Louzeiro - 2019.pdf: 1655384 bytes, checksum: a168bf697d30c99e45d2e9d19b65a563 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) | eng |
dc.description.provenance | Made available in DSpace on 2019-03-13T10:22:49Z (GMT). No. of bitstreams: 2 Tese - Maurício Silva Louzeiro - 2019.pdf: 1655384 bytes, checksum: a168bf697d30c99e45d2e9d19b65a563 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2019-02-26 | eng |
dc.description.resumo | Seja M uma variedade Riemanniana com curvatura limitada inferiormente. Nesta tese, consideramos métodos iterativos de primeira ordem para resolver problemas de otimização sobre variedades Riemannianas com curvatura limitada inferiormente. O método do gradiente para resolver o problema min{f(p) : p M}, onde f : M → R é uma função convexa continuamente diferenciável, é apresentado com tamanho de passo Lipshitz, tamanho de passo adaptativo e tamanho de passo de Armijo. O primeiro tipo de passo requer que a função objetivo tenha gradiente continuamente Lipshitz, o que não é necessário para os outros. A convergência total da sequência para um minimizador, sem qualquer hipótese de limitação do conjunto de nível, é provada. Limitantes para a complexidade na iteração para funções com gradiente continuamente Lipschitz também são apresentados. Além disso, todas essas abordagens são consideradas no contexto de otimização multiobjetivo. Aqui também consideramos o método do subgradiente para resolver o problema min{f(p) : p M}, onde f : M → R é uma função convexa. Limitantes para a complexidade na iteração do método do subgradiente com tamanho de passo exógeno e tamanho de passo de Polyak são estabelecidos, completando e melhorando os resultados recentes sobre o assunto. Finalmente, alguns exemplos e experimentos numéricos são apresentados. | eng |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES | eng |
dc.format | application/pdf | * |
dc.identifier.citation | LOUZEIRO, M. S. Optimization methods on Riemannian manifolds with lower bound curvature: gradient for scalar and multi-objective functions and subgradient for scalar functions. 2019. 83 f. Tese (Doutorado em Matemática) - Universidade Federal de Goiás, Goiânia, 2019. | eng |
dc.identifier.uri | http://repositorio.bc.ufg.br/tede/handle/tede/9333 | |
dc.language | eng | eng |
dc.publisher | Universidade Federal de Goiás | eng |
dc.publisher.country | Brasil | eng |
dc.publisher.department | Instituto de Matemática e Estatística - IME (RG) | eng |
dc.publisher.initials | UFG | eng |
dc.publisher.program | Programa de Pós-graduação em Matemática (IME) | eng |
dc.rights | Acesso Aberto | |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
dc.subject | Optimization methods | eng |
dc.subject | Convex programming | eng |
dc.subject | Riemannian manifold | eng |
dc.subject | Lower bounded curvature | eng |
dc.subject | Complexity | eng |
dc.subject | Métodos de otimização | por |
dc.subject | Programação convexa | por |
dc.subject | Variedade Riemmaniana | por |
dc.subject | Curvatura limitada inferiormente | por |
dc.subject | Complexidade | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::MATEMATICA | eng |
dc.title | Optimization methods on Riemannian manifolds with lower bound curvature: gradient for scalar and multi-objective functions and subgradient for scalar functions | eng |
dc.title.alternative | Métodos de otimização sobre variedades Riemannianas com curvatura limitada inferiormente: gradiente para funções escalares e multi-objetivo e subgradiente para funções escalares | por |
dc.type | Tese | eng |
Arquivos
Pacote Original
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- Tese - Maurício Silva Louzeiro - 2019.pdf
- Tamanho:
- 1.58 MB
- Formato:
- Adobe Portable Document Format
- Descrição:
Licença do Pacote
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- license.txt
- Tamanho:
- 2.11 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: