El objetivo de este trabajo es hacer un estudio del método subgradiente, que es un método usado para la minimización de funciones convexas no necesariamente diferenciables. Presentamos el método para el caso con restricciones como para el caso irrestricto, presentamos resultados de convergencia para los diferentes tamaños de pasos más usados y estudiamos variantes para las dificultades que pueden acontecer en el método También estudiamos un algoritmo para resolver desigualdades variacionales definidas por un operador monótono e un conjunto convexo y cerrado, se prueba un resultado de convergencia asumiendo que el operador es monótono maximal y paramonotono. Y por ultimo extendemos el algoritmo del subgradiente para el caso de funciones cuasiconvexas asumiendo la condición de ser Holder sobre el conjunto optimal, probando que la sucesión generada converge a un punto óptimo. PALABRAS CLAVES: Método del Subgradiente, Análisis no diferenciable, Desigualdades variacionales, Analisis convexo, Métodos para optimización no diferenciable / --- The objective of this work is to study the subgradient method, which is a method used to minimize not necessarily differentiable convex functions. We present a method for the case restricted to the unrestricted case, we present results of convergence for the different sizes of commonly used steps and study alternatives for the difficulties that may occur in the method Also study an algorithm for solving variational inequalities defined by a monotone operator and a convex closed set, a result of convergence assuming that the operator is monotone and maximal paramonotono is tested. And finally the algorithm Subgradient is extend to the case of functions cuasiconvexas assuming the condition of being Holder on the optimal set, proving that the generated sequence converges to an optimal point. KEYWORDS: Subgradient Method,Analysis not differentiable, Variational inequalities, Convex analysis, Methods for optimization not differentiable / Tesis

ALVES, Alexsandro de Oliveira. Integração de heurísticas lagrangeanas com algoritmos exatos para a otimização de particionamento de conjuntos. 2007. 49 f. : Dissertação (mestrado) - Universidade Federal do Ceará, Centro de Ciências, Departamento de Computação, Fortaleza-CE, 2007. / Submitted by guaracy araujo (guaraa3355@gmail.com) on 2016-05-20T18:05:04Z No. of bitstreams: 1 2007_dis_aoalves.pdf: 434539 bytes, checksum: d7550e0ddf22c4c083e44734e59375f7 (MD5) / Approved for entry into archive by guaracy araujo (guaraa3355@gmail.com) on 2016-05-20T18:08:40Z (GMT) No. of bitstreams: 1 2007_dis_aoalves.pdf: 434539 bytes, checksum: d7550e0ddf22c4c083e44734e59375f7 (MD5) / Made available in DSpace on 2016-05-20T18:08:40Z (GMT). No. of bitstreams: 1 2007_dis_aoalves.pdf: 434539 bytes, checksum: d7550e0ddf22c4c083e44734e59375f7 (MD5) Previous issue date: 2007 / In this work we evaluate both exact and heuristic methods for the set partitioning problem (SPP). These heuristics are based on greedy algorithms, tabu search and subgradient optimization. Computational experiments performed on benchmark instances of the problem indicate that our heuristics are competitive with existing ones from the literature in obtaining both lower and upper bounds of good quality in reasonable execution time. We use a Branch and Bound algorithm that allows to prove optimality of solutions obtained by our heuristics for a large set of benchmark instances of the SPP. Thus, we show that our heuristics are efficient in obtaining feasible solutions of good quality for this problem. / Neste trabalho avaliamos métodos heurísticos e exatos para o Problema de Particionamento de Conjuntos (PPC). Realizamos testes computacionais com heurísticas lagrangeanas baseadas em algoritmos gulosos, busca tabu e método de otimização pelo subgradiente. Os resultados obtidos, comparados com os da literatura, comprovam a eficiência de nossas heurísticas na obtenção de limites inferiores e superiores de boa qualidade, em tempo computacional razoável, para instâncias da literatura. Utilizamos um esquema de Branch and Bound para tentar resolver instâncias do PPC à otimalidade e para comprovar a qualidade dos resultados alcançados por nossas heurísticas.