Read more
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.
List of contents
1 Einführung.- 1.1 Konvexe Mengen und Funktionen.- 1.2 Konvexe Optimierungsaufgaben.- 1.3 Warum spezielle Verfahren?.- 2 Konvexe Mengen und Funktionen.- 2.1 Konvexe Mengen.- 2.2 Projektion auf konvexe Mengen.- 2.3 Trennungssätze.- 2.4 Konvexe Funktionen.- 2.5 Operationen mit konvexen Funktionen.- 2.6 Affine Minoranten.- 2.7 Lokale Lipschitz-Stetigkeit.- 2.8 Subdifferential und Richtungsableitung.- 2.9 Maximumfunktionen.- 3 Konvexe Optimierungsprobleme.- 3.1 Unrestringierte Probleme.- 3.2 Abstiegsrichtungen.- 3.3 Probleme mit allgemeinen konvexen Restriktionen.- 3.4 Lineare Nebenbedingungen.- 4 Das Subgradientenverfahren.- 4.1 Das Verfahren.- 4.2 Konvergenzbetrachtungen.- 4.3 Numerische Beispiele.- 5 Approximative Ableitungen.- 5.1 Approximation des Subdifferentials.- 5.2 Approximation der Richtungsableitung.- 5.3 Approximative Minima.- 5.4 Approximative Abstiegsrichtungen.- 6 Approximative Abstiegsverfahren.- 6.1 Grundlegende Verfahrenskonzepte.- 6.2 Das Schrittweitenverfahren.- 6.3 Konstruktion des Bundles.- 6.4 Ein implementierbares Abstiegsverfahren.- 7 Bundle-Verfahren.- 7.1 Stopp-Kriterien.- 7.2 Allgemeiner Verfahrensablauf.- 7.3 Numerische Beispiele.- 8 Bundle-Trust-Region-Verfahren.- 8.1 Grundlage des Verfahrens.- 8.2 Das Trust-Region-Problem.- 8.3 Das Verfahrenskonzept.- 8.4 Implementierung des Verfahrens.- 8.5 Das Bundle-Trust-Region-Verfahren.- 8.6 Konvergenz des Verfahrens.- 8.7 Numerische Beispiele.- 8.8 Probleme mit linearen Restriktionen.- Übungsaufgaben.
About the author
Prof. Dr. Walter Alt, Universität Jena
Summary
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.
Foreword
Kompakte Einführung, anwendungsorientiert
