Orientador: Roberto Andreani / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matemática, Estatística e Computação Científica / Made available in DSpace on 2018-08-23T21:59:03Z (GMT). No. of bitstreams: 1 CastilloHuamani_Darwin_M.pdf: 1278191 bytes, checksum: 3e76b08b05404a2dd27f7f4bad632cb8 (MD5) Previous issue date: 2013 / Resumo: Nesta dissertação, estudam-se as condições de qualificação para problemas de programação não linear, essencialmente, a condição de qualificação de posto constante da componente de subespaço e a condição de qualificação de gerador positivo constante que foram recentemente introduzidas. Ademais, faz-se um estudo sobre a teoria das bases positivas no espaço R??, onde vê-se a demonstração do teorema da partição de uma base positiva, que é usado na demonstração de que a relaxação da condição de qualificação de dependência linear positiva constante implica a condição de qualificação de posto constante da componente de subespaço. Nota-se que as propriedades das bases positivas não são semelhantes às propriedades das bases lineares dos subespaços vetoriais / Abstract: In this dissertation, we study the constraint of qualifications for nonlinear programming problems, essentially, The constraint qualification of constant rank component subspace and the constraint qualification of generator positive constant, recently introduced. Furthermore, a study is done about of the theory of positive bases in the space R?? where one can see the demonstration of partition of a positive basis theorem, which is used in the proof of that the relaxation of constraint qualification of constant positive linear dependence implies the constraint qualification of constant rank component subspace. Note that the properties of the positive bases are not similar to the properties of the linear bases for vector subspaces / Mestrado / Matematica Aplicada / Mestre em Matemática Aplicada

Orientador: Maria Aparecida Diniz Ehrhardt / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Computação Cientifica / Made available in DSpace on 2018-08-13T08:54:50Z (GMT). No. of bitstreams: 1 Nunes_FernandaTeles_M.pdf: 2400651 bytes, checksum: 206dfad35642a33d2de362510094e78d (MD5) Previous issue date: 2009 / Resumo: Abordando problemas de minimização de funções com restrições nos deparamos com as condições de otimalidade e, ainda, com condições de qualificação das res­trições. Nosso interesse é o estudo detalhado de várias condições de qualificação, com destaque para a condição de dependência linear positiva constante, e sua influência na convergência de algoritmos de Programação Quadrática Sequencial. A relevância deste estudo está no fato de que resultados de convergência que têm, em suas hipóteses, condições de qualificação fracas são mais fortes que aqueles baseados em condições de qualificação fortes. Experimentos numéricos serão realizados tanto para investigar a eficiência destes métodos na resolução de problemas com diferentes condições de qualificação, quanto para comparar dois diferentes tipos de busca, monótona e não-monótona. Tentamos confirmar a hipótese de que algoritmos baseados em uma busca não-monótona atuam contra o Efeito: Maratos, de comum ocorrência na resolução de problemas de minimização através de métodos de Programação Quadrática Sequencial. / Abstract: In the context of constrained optimization problems, we face the optimality conditions and also constraint qualification. Our aim is to study with details several constraint qualification, highlighting the constant positive linear dependence condition, and its influence in Sequential Quadratic Programming algorithms convergence. The relevance of this study is in the fact that convergence results having as hypothesis weak constraints qualification are stronger than those based on stronger constraints qualification. Numerical experiments will be done with the purpose of investigating the efficiency of these methods to solve problems with different constraints qualification and to compare two diferent kinds of line search, monotone and nonmonotone. We want to confirm the hypothesis that algorithms based on a nonmonotone line search act against the Maratos Effect, very common while solving minimization problems through Sequential Quadratic Programming methods. / Mestrado / Mestre em Matemática Aplicada

Orientador: Jose Mario Martinez / Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Computação Cientifica / Made available in DSpace on 2018-08-14T02:27:22Z (GMT). No. of bitstreams: 1 Haeser_Gabriel_D.pdf: 1980596 bytes, checksum: 34e962c907bf0b544d52deba5e4555e6 (MD5) Previous issue date: 2009 / Resumo: Estudamos as condições de otimalidade provenientes dos algoritmos de penalidade externa, penalidade interna, penalidade interna-externa e restauração inexata, e mostramos relações com a CPLD, uma nova condição de qualificação estritamente mais fraca que a condição de Mangasarian-Fromovitz e a condição de posto constante de Janin. Estendemos o resultado do clássico Lema de Carathéodory, onde mostramos um limitante para o tamanho dos novos multiplicadores. Apresentamos novas condições de otimalidade relacionadas à condição AGP (Approximate Gradient Projection). Quando há um conjunto extra de restrições lineares, definimos uma condição do tipo AGP e provamos relações com a CPLD e as equações KKT. Resultados similares são obtidos quando há um conjunto extra de restrições convexas. Mostramos também algumas generalizações e relações com um algoritmo de restauração inexata. / Abstract: We study optimality conditions generated by the external penalty, internal penalty, internal-external penalty and inexact restoration algorithms, and we show relations with the CPLD, a new constraint qualification strictly weaker than the Mangasarian-Fromovitz condition and the constant rank condition of Janin. We extend the result of the classical Carathéodory's Lemma, where we show a bound for the size of the new multipliers. We present new optimality conditions related to the Approximate Gradient Projection condition (AGP). When there is an extra set of linear constraints, we define an AGP type condition and prove relations with CPLD and KKT conditions. Similar results are obtained when there is an extra set of convex constraints. We provide some further generalizations and relations to an inexact restoration algorithm. / Doutorado / Otimização / Doutor em Matemática Aplicada

Esta tese é um estudo acerca do Problema de Equilíbrio de Nash Generalizado (GNEP). Na primeira parte, faremos um resumo dos principais conceitos sobre GNEPs, a relação com outros problemas já conhecidos e comentaremos brevemente os principais métodos já feitos até esta data para resolver numericamente este tipo de problema. Na segunda parte, estudamos condições de otimalidade e condições de qualificação (CQ) para GNEPs, fazendo uma analogia como em otimização. Estendemos os conceitos de cone tangente, normal, gerado pelas restrições ativas, linearizado e polar para a estrutura dos GNEPs. Cada CQ de otimização gera dois tipos de CQ para GNEPs, sendo que a denotada por CQ-GNEP é mais forte e útil para a análise de algoritmos para GNEPs. Mostramos que as condições de qualificação para GNEPs deste tipo em alguns casos não guardam a mesma relação que em otimização. Estendemos também o conceito de Aproximadamente Karush-KuhnTucker (AKKT) de otimização para GNEPs, o AKKT-GNEP. É bem conhecido que AKKT é uma genuína condição de otimalidade em otimização, mas para o caso dos GNEPs mostramos que isto não ocorre em geral. Por outro lado, AKKT-GNEP é satisfeito, por exemplo, em qualquer solução de um GNEP conjuntamente convexo, desde que seja um equilíbrio bvariacional. Com isso em mente, definimos um método do tipo Lagrangiano Aumentado para o GNEP usando penalidades quadráticas e exponenciais e estudamos as propriedades de otimalidade e viabilidade dos pontos limites de sequências geradas pelo algoritmo. Finalmente alguns critérios para resolver os subproblemas e resultados numéricos são apresentados. / This thesis is a study about the generalized Nash equilibrium problem (GNEP). In the first part we will summarize the main concepts about GNEPs, the relationship with other known problems and we will briefly comment on the main methods already done in order to solve these problems numerically. In the second part we study optimality conditions and constraint qualification (CQ) for GNEPs making an analogy with the optimization case. We extend the concepts of the tangent, normal and generated by the active cones, linear and polar cone to the structure of the GNEPs. Each optimization CQ generates two types of CQs for GNEPs, with the one called CQ-GNEP being the strongest and most useful for analyzing the algorithms for GNEPs. We show that the qualification conditions for GNEPs of this type in some cases do not have the same relation as in optimization. We also extend the Approximate Karush- Kuhn-Tucker (AKKT) concept used in optimization for GNEPs to AKKT-GNEP. It is well known that AKKT is a genuine optimality condition in optimization but for GNEPs we show that this does not occur in general. On the other hand, AKKT-GNEP is satisfied, for example, in any solution of a jointly convex GNEP, provided that it is a b-variational equilibrium. With this in mind, we define Augmented Lagrangian methods for the GNEP, using the quadratic and the exponential penalties, and we study the optimality and feasibility properties of the sequence of points generated by the algorithms. Finally some criteria to solve the subproblems and numerical results are presented.

Esta tese é um estudo acerca da análise de convergência de vários métodos numéricos de primeira e de segunda ordem para resolver problemas de programação matemática e as condições de otimalidade associadas. Nossas principais ferramentas são as condições sequenciais de otimalidade. As condições sequenciais de otimalidade oferecem um quadro teórico para a análise de convergência para várias famílias de métodos de primeira ordem sob condições de qualificações fracas. Nesta tese, apresentamos, para cada condição sequencial de otimalidade, a condição de qualificação mínima associada e mostramos as relações com outras condições de qualificação conhecidas. Este fato tem implicações práticas, uma vez que enfraquece as hipóteses requeridas para a convergência de vários métodos numéricos cujos critérios de paradas estão associados às condições sequenciais de otimalidade. Ainda mais, esse tipo de resultado não pode ser melhorado usando outras condições de qualificações. Nós estendemos a noção de condições sequenciais de otimalidade de primeira ordem, para incorporar informações de segunda ordem. Apresentamos, segundo nosso conhecimento, a primeira condição sequencial de otimalidade de segunda ordem, adequada para a análise de convergência de vários métodos numéricos com convergência a pontos estacionários de segunda ordem, como por exemplo métodos baseados no Lagrangeano aumentado, regiões de confiança e SQP regularizado. Associada com a nova condição sequencial de segunda ordem, temos uma nova condição de qualificação, mais fraca que as outras condições de qualificações utilizadas para a análise de convergência para métodos numéricos de segunda ordem. Nós situamos essa nova condição de qualificação com respeito a outras condições de qualificação usadas em análise de convergência. Finalmente apresentamos outra razão pela qual a condição fraca necessária de segunda ordem é a condição de segunda ordem adequada quando lidarmos com a convergência de algoritmos práticos / This thesis deals with the convergence analysis for several rst-and-second-order numerical methods used to solve mathematical programming problems. Our main tools are the sequential optimality conditions. First-order sequential optimality conditions oer a framework to the study of the convergence analysis of several families of rst-order methods, under weak constraint qualications. In this thesis, we will introduce, for each sequential optimality condition the minimal constraint qualications associated with it and we will show their relationships with other constraint qualications. This fact has a practical aspect, since, we improve the convergence analysis of practical methods with stopping criteria associated with sequential optimality conditions. This results can not be improved by using another weak constraint qualications. We will extend the notion of rst-order sequential optimality conditions to incorporate secondorder information. We will introduce, to the best of our knowledge, the rst second-order sequential optimality condition, suitable to the study of the convergence analysis of several second-order methods including methods based on the augmented lagrangian, trust-region and regularized SQP. Associated with the second-order sequential optimality condition, we have a new constraint qualication weaker than all constraint qualications used for the convergence analysis of second-order methods. We show the relationships of this new constraint qualications with other constraint qualications used for algorithmic purposes. We will also present a new reason why the weak secondorder necessary condition is the natural second-order condition when we are dealing with practical numerical methods

Esta tese é um estudo acerca da análise de convergência de vários métodos numéricos de primeira e de segunda ordem para resolver problemas de programação matemática e as condições de otimalidade associadas. Nossas principais ferramentas são as condições sequenciais de otimalidade. As condições sequenciais de otimalidade oferecem um quadro teórico para a análise de convergência para várias famílias de métodos de primeira ordem sob condições de qualificações fracas. Nesta tese, apresentamos, para cada condição sequencial de otimalidade, a condição de qualificação mínima associada e mostramos as relações com outras condições de qualificação conhecidas. Este fato tem implicações práticas, uma vez que enfraquece as hipóteses requeridas para a convergência de vários métodos numéricos cujos critérios de paradas estão associados às condições sequenciais de otimalidade. Ainda mais, esse tipo de resultado não pode ser melhorado usando outras condições de qualificações. Nós estendemos a noção de condições sequenciais de otimalidade de primeira ordem, para incorporar informações de segunda ordem. Apresentamos, segundo nosso conhecimento, a primeira condição sequencial de otimalidade de segunda ordem, adequada para a análise de convergência de vários métodos numéricos com convergência a pontos estacionários de segunda ordem, como por exemplo métodos baseados no Lagrangeano aumentado, regiões de confiança e SQP regularizado. Associada com a nova condição sequencial de segunda ordem, temos uma nova condição de qualificação, mais fraca que as outras condições de qualificações utilizadas para a análise de convergência para métodos numéricos de segunda ordem. Nós situamos essa nova condição de qualificação com respeito a outras condições de qualificação usadas em análise de convergência. Finalmente apresentamos outra razão pela qual a condição fraca necessária de segunda ordem é a condição de segunda ordem adequada quando lidarmos com a convergência de algoritmos práticos / This thesis deals with the convergence analysis for several rst-and-second-order numerical methods used to solve mathematical programming problems. Our main tools are the sequential optimality conditions. First-order sequential optimality conditions oer a framework to the study of the convergence analysis of several families of rst-order methods, under weak constraint qualications. In this thesis, we will introduce, for each sequential optimality condition the minimal constraint qualications associated with it and we will show their relationships with other constraint qualications. This fact has a practical aspect, since, we improve the convergence analysis of practical methods with stopping criteria associated with sequential optimality conditions. This results can not be improved by using another weak constraint qualications. We will extend the notion of rst-order sequential optimality conditions to incorporate secondorder information. We will introduce, to the best of our knowledge, the rst second-order sequential optimality condition, suitable to the study of the convergence analysis of several second-order methods including methods based on the augmented lagrangian, trust-region and regularized SQP. Associated with the second-order sequential optimality condition, we have a new constraint qualication weaker than all constraint qualications used for the convergence analysis of second-order methods. We show the relationships of this new constraint qualications with other constraint qualications used for algorithmic purposes. We will also present a new reason why the weak secondorder necessary condition is the natural second-order condition when we are dealing with practical numerical methods

Esta tese é um estudo acerca do Problema de Equilíbrio de Nash Generalizado (GNEP). Na primeira parte, faremos um resumo dos principais conceitos sobre GNEPs, a relação com outros problemas já conhecidos e comentaremos brevemente os principais métodos já feitos até esta data para resolver numericamente este tipo de problema. Na segunda parte, estudamos condições de otimalidade e condições de qualificação (CQ) para GNEPs, fazendo uma analogia como em otimização. Estendemos os conceitos de cone tangente, normal, gerado pelas restrições ativas, linearizado e polar para a estrutura dos GNEPs. Cada CQ de otimização gera dois tipos de CQ para GNEPs, sendo que a denotada por CQ-GNEP é mais forte e útil para a análise de algoritmos para GNEPs. Mostramos que as condições de qualificação para GNEPs deste tipo em alguns casos não guardam a mesma relação que em otimização. Estendemos também o conceito de Aproximadamente Karush-KuhnTucker (AKKT) de otimização para GNEPs, o AKKT-GNEP. É bem conhecido que AKKT é uma genuína condição de otimalidade em otimização, mas para o caso dos GNEPs mostramos que isto não ocorre em geral. Por outro lado, AKKT-GNEP é satisfeito, por exemplo, em qualquer solução de um GNEP conjuntamente convexo, desde que seja um equilíbrio bvariacional. Com isso em mente, definimos um método do tipo Lagrangiano Aumentado para o GNEP usando penalidades quadráticas e exponenciais e estudamos as propriedades de otimalidade e viabilidade dos pontos limites de sequências geradas pelo algoritmo. Finalmente alguns critérios para resolver os subproblemas e resultados numéricos são apresentados. / This thesis is a study about the generalized Nash equilibrium problem (GNEP). In the first part we will summarize the main concepts about GNEPs, the relationship with other known problems and we will briefly comment on the main methods already done in order to solve these problems numerically. In the second part we study optimality conditions and constraint qualification (CQ) for GNEPs making an analogy with the optimization case. We extend the concepts of the tangent, normal and generated by the active cones, linear and polar cone to the structure of the GNEPs. Each optimization CQ generates two types of CQs for GNEPs, with the one called CQ-GNEP being the strongest and most useful for analyzing the algorithms for GNEPs. We show that the qualification conditions for GNEPs of this type in some cases do not have the same relation as in optimization. We also extend the Approximate Karush- Kuhn-Tucker (AKKT) concept used in optimization for GNEPs to AKKT-GNEP. It is well known that AKKT is a genuine optimality condition in optimization but for GNEPs we show that this does not occur in general. On the other hand, AKKT-GNEP is satisfied, for example, in any solution of a jointly convex GNEP, provided that it is a b-variational equilibrium. With this in mind, we define Augmented Lagrangian methods for the GNEP, using the quadratic and the exponential penalties, and we study the optimality and feasibility properties of the sequence of points generated by the algorithms. Finally some criteria to solve the subproblems and numerical results are presented.

Neste trabalho, realizamos uma extensão da chamada condição Aproximadamente Karush-Kuhn-Tucker (AKKT), inicialmente introduzida em programação não linear [AHM11], para os problemas de otimização sob cones simétricos não linear. Uma condição nova, a qual chamamos Trace AKKT (TAKKT), também foi apresentada para o problema de programação semidefinida não linear. TAKKT se mostrou mais prática que AKKT para programação semidefinida não linear. Provamos que, tanto a condição AKKT como a condição TAKKT são condições de otimalidade. Resultados de convergência global para o método de Lagrangiano aumentado foram obtidos. Condições de qualificação estritas foram introduzidas para medir a força dos resultados de convergência global apresentados. Através destas condições de qualificação estritas, foi pos- sível verificar que nossos resultados de convergência global se mostraram melhores do que os conhecidos na literatura. Também apresentamos uma prova para um caso particular da conjectura feita em [AMS07]. Palavras-chave: condições sequenciais de otimalidade, programação semidefinida não linear, programação sob cones simétricos não linear, condições de qualificação estritas. / In this work, we perform an extension of the so-called Approximate Karush-Kuhn-Tucker (AKKT) condition, initially introduced in nonlinear programming [AHM11], for nonlinear symmetric cone pro- gramming. A new condition, which we call Trace AKKT (TAKKT), was also presented for the nonlinear semidefinite programming problem. TAKKT proved to be more practical than AKKT for nonlinear semi- definite programming. We prove that both the AKKT condition and the TAKKT condition are optimality conditions. Results of global convergence for the augmented Lagrangian method were obtained. Strict qua- lification conditions were introduced to measure the strength of the overall convergence results presented. Through these strict qualification conditions, it was possible to verify that our results of global convergence proved to be better than those known in the literature. We also present a proof for a particular case of the conjecture made in [AMS07].