Un algoritmo basado en región de confianza es considerado para el problema de optimización multiobjetivo no convexo sin restricciones. Éste es una generalización del algoritmo propuesto por Fliege, Graña Drummond y Svaiter en 2009 para problemas convexos. En forma similar al caso escalar en cada iteración se resuelve un subproblema y se evalua el paso. Las nociones de condiciones de decrecimiento predicho es adaptada al caso vectorial. Se introduce una regla para adaptar el radio de la regi´on de confianza. Bajo hipótesis de diferenciabilidad, el algoritmo converge a puntos que satisfacen una condición necesaria para ser Pareto y en el caso convexo a puntos Pareto optimales. En el caso convexo la sucesión generada por el algoritmo converge a un punto Pareto que satisface, como el algoritmo de Fliege y sus colaboradores, condiciones necesarias y suficientes. Bajo hipótesis locales estándares el algoritmo converge con velocidad q-cuadrática. / A trust-region-based algorithm for the non convex unconstrained multiobjective optimization problem is considered. It is a generalization of the algorithms proposed by Fliege, Gra˜na Drummond and Svaiter, 2009 for the convex problem. Similarly to the scalar case, at each iteration a subproblem is solved and the step needs to be evaluated. The notions of decrease condition and of predicted reduction are adapted to the vector case. A rule to update the trust region radius is introduced. Under differentiability assumptions, the algorithm converges to points satisfying a necessary condition for Pareto optimal and in the convex case to a Pareto solution, satisfying necessary and sufficient conditions, like in the procedure proposed by the cited authors. Under standard local assumptions the convergence results to be q-quadratic.

Un algoritmo para problemas de optimización no lineal con restricciones de igualdad y de caja es presentado. En el marco del método de programación cuadrática secuencial, con una estrategia de globalización de región de con- fianza, se evita el uso de parámetros de penalización en funciones de mérito mediante el uso de un filtro inclinado con memoria. Los subproblemas de región de cofianza son resueltos mediante el uso del método de gradiente espectral proyectado (SPG), un método no monótono para problemas convexos de gran escala. El paso de prueba es evaluado mediante una condición no monótona sobre el Lagrangiano de la función objetivo, que puede ser considerado una generalización de la condición de fracción decrecimiento de Cauchy y la condición no monótona para búsqueda lineal de Grippo, Lampariello y Lucidi. Las propiedades de buena definición y convergencia global del algoritmo son analizadas bajo hipótesis estándar para problemas de optimización no lineal con restricciones de igualdad y de caja, basados en una estrategia de región de cofianza. Resultados numéricos son reportados para validar la eficiencia y robustez del algoritmo en problemas de variado tama~no, y un problema de ajuste de observaciones con ruido a una solución de una ecuación diferencial de segundo orden, que genera un problema no diferenciable. La condición de decrecimiento no monótona es comparada con la tradicional condición monótona mediante perfiles de rendimiento. / An algorithm based on nonmonotone trust-region- lter method for a nonlinear problem with equality and box constraints is presented. In the frame of sequential quadratic programming with a strategy for global convergence based on the trust region approach the use of a slanting lter with memory avoid the pitfalls of penalty parameters of merit functions. The trust region subproblems are solved by the Spectral Projected Gradient (SPG), a nonmonotone method for large-scale convex constrained problems. The trial step is evaluated by a nonmonotone condition in the Lagrangian of the objetive function, which can be considered not only a generalization of the fraction of Cauchy decrease condition, but also a generalization of the nonmonotone line search proposed by Grippo, Lampariello y Lucidi. Well definition and global convergence properties are analyzed under mild conditions for the non linear problems with equality and box restrictions based on trust region. Numerical results are reported to validate the robustness and eficiency of the algorithm on varied size test problems, and for fit a set of noisy observations to a second order diferential equation solution wich generate a non diferential problem. The nonmonotone rule is compared to the traditional monotone rule through performance profiles.