Escrito por el
La última Mark de la librería NAG® ya está disponible para su descarga. Mark 27.3 presenta un resolvedor simbólico de Matriz de Correlación más Cercana (NCM), FEAST Eigensolver y más resolvedores de diferenciación automática (AD) de segundo orden.
Destacamos el nuevo solucionador NCM para calcular el adjunto simbólico de la matriz de correlación más cercana (NCM). Calcular derivadas del NCM permite encontrar sensibilidades a los datos de entrada. El adjunto simbólico calcula la derivada matemáticamente, lo que da como resultado una rutina que es 70 veces más rápida y utiliza 2500 veces menos memoria que el adjunto algorítmico. Se accede al adjunto simbólico a través de un nuevo modo para el solucionador g02aa. Anteriormente, esto se podía hacer en la Librería NAG AD calculando el adjunto algorítmico, que…
Escrito por el
Las funciones cuadráticas son una potente construcción de modelado en programación matemática y aparecen en diversas disciplinas como estadística, aprendizaje automático (regresión Lasso), finanzas (optimización de carteras), ingeniería (OPF) y teoría de control. En Mark 27.1 de la Biblioteca NAG, NAG introdujo dos nuevas incorporaciones a la NAG Optimization Modelling Suite para ayudar a los usuarios a definir fácilmente funciones objetivo cuadráticas y/o restricciones, integrarlas sin problemas con otras restricciones y resolver los problemas resultantes utilizando solucionadores compatibles sin necesidad de una reformulación o ningún esfuerzo adicional.
Igual que con todas las nuevas versiones, animamos a los usuarios de nag library a actualizar a la última…
Escrito por el
Este primer artículo de la serie dentro de The NAG Optimization Corner está dedicado a brindar orientación sobre cómo elegir la herramienta de optimización adecuada para un problema dado y demostrar las consecuencias de una elección inapropiada.
En NAG sabemos que elegir la herramienta de optimización adecuada puede ser una tarea bastante difícil y que el proceso, en ocasiones, puede parecer confuso. Una parte de nuestras solicitudes de servicio al cliente tratan este mismo tema. La mayoría de las veces, las consultas comienzan con la misma pregunta: "¿Por qué falla el resolvedor?" y, con bastante frecuencia, una inspección más detallada revela que se ha elegido el resolvedor incorrecto o que el modelo podría mejorarse significativamente. Si bien esta publicación aborda el primero, apreciamos que construir un modelo bueno…
Escrito por el
Como novedad en la última Mark de la librería NAG existe un método de conjunto activo de primer orden (First-order Active-set o FOAS). FOAS está basado en un gradiente conjugado no lineal para optimización no lineal con restricciones de límite, de gran escala. El resolvedor es ideal para problemas muy grandes (decenas de miles o más variables) donde las derivadas de primer orden están disponibles o son relativamente poco costosas de estimar.
Un objetivo de diseño clave para el nuevo resolvedor FOAS fue proporcionar un reemplazo atractivo y moderno para la rutina uncon_conjgrd_comp (e04dg) existente en la librería NAG. Mientras que el resolvedor e04dg estaba destinado para programación no lineal (NLP) sin restricciones, el nuevo resolvedor handle_solve_bounds_foas (e04kf) no solo se ha ampliado para resolver NLP con…