[pt] Apresentamos nesta dissertação novos métodos interativos para resolver o Problema de Complementaridade Linear (PCL) e Problemas de Norma Mínima. Após uma revisão geral sobre métodos interativos para o PCL, apresentaremos no Capítulo 2, uma forma de aceleração aplicada a métodos clássicos para o PCL simétrico, através de uma decomposição (Splitting) conveniente da matriz associada ao problema. A aceleração para os novos métodos consiste em calcular uma direção de avanço usando o método básico mais uma minimização unidimensional que respeite as condições de não negatividade, provas de convergência forte são apresentadas. No Capítulo 3 comparamos algoritmos do tipo seqüencial e paralelo para solução de um Problema de Programação Linear e Problemas de Norma Mínima em l 1: para o segundo problema os métodos iterativos são aplicados no dual do problema original penalizado com um termo quadrático. Introduzimos um novo método paralelo para o Problema de Norma mínima em l 1 e provamos sua convergência. Propomos no capítulo 4, novos métodos iterativos paralelos para Problemas de Norma Mínima, convenientes para problemas de grande porte, provas de convergência são fornecidas. Finalmente, no capítulo 5 baseados sobre uma combinação da iteração de ponto proximal e métodos iterativos clássicos, propomos novos métodos iterativos para a solução de um PCL monótono não simétrico. Ilustramos todos os algoritmos apresentados, em diferentes versões, com um extensa experimentação numérica. / [en] We present in this dissertation new iterative methods for solving Linear Complementarity (LCP) and Least Norm (LNP) Problems. After a general overview on iterative methods for the LCP, in chapter 2 we present an acceleration techinique applied to classic methods for symmetric LCP generated by considering appropriate splittings of the associated matrix. The acceleration gives rise to new methods consisting of computing a search direction using the basic method plus a one dimensional minimization taking into account the nonnegative constraints. Strong convergence proofs are given. In chapter 3 we compare sequential and parallel algorithms for solving Linear Programming and least 1-Norm Problems obtained by applying iterative methods to a dual of the original problem penalized with a quadratic term. We introduce a new parallel method for the Least 1-Norm Problem, proving its convergence. In chapter 4, we present new parallel iterative methods for solving large LNP, giving convergence proofs. Finally, in chapter 5 we propose new iterative methods for solving monotone nonsymmetric LCp based on a combination of proximal point iterations and classic iterative methods. All the algorithms, in their different versions are illustrated and compared through many numerical experiments.

Orientadores: Carla Taviane Lucke da Silva Ghidini, Aurelio Ribeiro Leite de Oliveira / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matemática Estatística e Computação Científica / Made available in DSpace on 2018-08-26T07:23:54Z (GMT). No. of bitstreams: 1 Silva_Marileneda_M.pdf: 942860 bytes, checksum: 97260f526fda7ee0cb3346887580c3fa (MD5) Previous issue date: 2014 / Resumo: Neste trabalho, consideramos o método preditor-corretor, que é uma das variantes mais importantes dos métodos de pontos interiores devido à sua eficiência e convergência rápida. No método preditor-corretor, é preciso resolver dois sistemas lineares a cada iteração para determinar a direção preditora-corretora. A resolução desses sistemas é o passo que requer mais tempo de processamento, devendo, assim, ser realizada de maneira eficiente. Para obter a solução dos sistemas lineares do método preditor-corretor, consideramos dois métodos do subespaço de Krylov: MINRES e GC (método dos gradientes conjugados). Para que esses métodos convirjam mais rapidamente, um precondicionador especialmente desenvolvido para os sistemas lineares oriundos dos métodos de pontos interiores é usado. Experimentos computacionais, em um conjunto variado de problemas de programação linear, foram realizados com o intuito de analisar a eficiência e robustez dos métodos de solução dos sistemas lineares / Abstract: In this work, we consider the predictor-corrector method, which is one of the most important variants of interior point methods due to its efficiency and fast convergence. In the predictor-corrector method, we must solve two linear systems at each iteration to determine the predictor-corrector direction. The solution of these systems is the step that requires more processing time and should therefore be performed efficiently. For the solution of linear systems are two Krylov subspace methods considered: MINRES and CG(the conjugate-gradient method). For these methods a preconditioner specially developed for linear systems arising from interior point methods is used. Computational experiments on a set of linear programming problems were performed in order to analyze the efficiency and robustness of the methods when solving such linear systems / Mestrado / Matematica Aplicada / Mestra em Matemática Aplicada

[pt] Otimização Robusta é uma das formas mais comuns de considerar in- certeza nos parâmetros de um problema de otimização. A forma tradicional de achar soluções robustas consiste em resolver a contraparte robusta de um problema, o que em muitos casos, na prática, pode ter um custo computacional proibitivo. Neste trabalho, estudamos métodos iterativos para resolver problemas de Otimização Convexa Robusta de forma aproximada, que não exigem a formulação da contraparte robusta. Utilizamos conceitos de Online Learning para propor um novo algoritmo que utiliza agregação de restrições, demonstrando garantias teóricas de convergência. Desenvolvemos ainda uma modificação deste algoritmo que, apesar de não possuir tais garantias, obtém melhor performance prática. Por fim, implementamos outros métodos iterativos conhecidos da literatura de Otimização Robusta e fazemos uma análise computacional de seus desempenhos. / [en] Robust Optimization is a common paradigm to consider uncertainty in the parameters of an optimization problem. The traditional way to find robust solutions requires solving the robust counterpart of an optimiza- tion problem, which, in practice, can often be prohibitively costly. In this work, we study iterative methods to approximately solve Robust Convex Optimization problems, which do not require solving the robust counter- part. We use concepts from the Online Learning framework to propose a new algorithm that performs constraint aggregation, and we demonstrate theoretical convergence guarantees. We then develop a modification of this algorithm that, although without such guarantees, obtains better practical performance. Finally, we implement other classical iterative methods from the Robust Optimization literature and present a computational study of their performances.

[pt] Companhias de petróleo investindo no desenvolvimento de campos de hidrocarboneto dependem de estudos de reservatórios para realizarem previsões de produção e quantificarem os riscos associados à economicidade dos projetos. Neste sentido, a área de modelagem de reservatórios é de suma importância, sendo responsável por prever o desempenho futuro do reservatório sob diversas condições operacionais. Considerando que a solução dos sistemas de equações construídos a cada passo de tempo de uma simulação, durante o ciclo de linearização, é a parte que apresenta a maior demanda computacional, esta dissertação foca na análise de diferentes técnicas de solvers numéricos que podem ser aplicadas a simuladores, para mensurar seus desempenhos. Os solvers numéricos mais adequados para a solução de grandes sistemas de equações, tais como os encontrados em simulações de reservatórios, são os denominados solvers iterativos, que gradativamente aproximam a solução de um dado problema por meio da combinação de um método iterativo e um precondicionador. Os métodos iterativos avaliados nesta pesquisa foram o Gradiente Biconjugado Estabilizado (BiCGSTAB), Mínimos Resíduos Generalizado (GMRES) e Minimização Ortogonal (ORTHOMIN). Além disso, três técnicas de precondicionamento foram implementadas para auxiliar os métodos iterativos, sendo estas a Decomposição LU Incompleta (ILU), Fatoração Aninhada (NF) e Pressão Residual Restrita (CPR). A combinação destes diferentes métodos iterativos e precondicionadores permite a avaliação de diversas configurações distintas de solvers, em termos de seus desempenhos em um simulador. Os testes numéricos conduzidos neste trabalho utilizaram um novo simulador de reservatórios que está sendo desenvolvido pela Pontifícia Universidade Católica (PUC-Rio) em conjunto com a Petrobras. O objetivo dos testes foi analisar a robustez e eficiência de cada um dos solvers quanto à sua capacidade de resolver as equações de escoamento multifásico no meio poroso, visando assim auxiliar na seleção do solver mais adequado para o simulador. / [en] Petroleum companies investing in the development of hydrocarbon fields rely upon a variety of reservoir studies to perform production forecasts and quantify the risks associated with the economics of their projects. Integral to these studies is the discipline of reservoir modeling, responsible for predicting future reservoir performance under various operational conditions. Considering that the most time-demanding aspect of reservoir simulations is the solution of the systems of equations that arise within the linearization cycles at each time-step, this research focuses on analyzing different numerical solver techniques to be applied to a simulator, in order to assess their performance. The numerical solvers most suited for the solution of very large systems of equations, such as those encountered in reservoir simulations, are the so-called iterative solvers, which gradually approach the solution to a problem by combining an iterative strategy with a preconditioning method. The iterative methods examined in this research were the Stabilized Biconjugate Gradient (BiCGSTAB), the Generalized Minimum Residual (GMRES), and the Orthogonal Minimization (ORTHOMIN) methods. Furthermore, three preconditioning techniques were implemented to aid the iterative methods, namely the Incomplete LU Factorization (ILU), the Nested Factorization (NF), and the Constrained Pressure Residual (CPR) methods. The combination of these different iterative methods and preconditioners enables the appraisal of several distinct solver configurations, in terms of their performance in a simulator. The numerical tests conducted in this work made use of a new reservoir simulator currently under development at Pontifical Catholic University of Rio de Janeiro (PUC-Rio), as part of a joint project with Petrobras. The objective of these tests was to assess the robustness and efficiency of each solver in the solution of the multiphase flow equations in porous media, and support the selection of the solver most suited for the simulator.