Quasi-Newton methods for multiobjective optimization problems: A systematic review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Quasi-Newton method is one of the most popular methods for solving unconstrained single and multiobjective optimization problems.In a quasi-Newton method, the search direction is computed based on a quadratic model of the objective function, where some approximations replace the true Hessian at each iteration.Several Hessian approximation schemes with an adequate line search technique provided higher-order accuracies in approximating the curvature and made the methods more effective in terms of convergence to solution.Considering the aforementioned reasons, we write a survey on quasi-Newton methods for multiobjective optimization problems.We discuss the development of all the variants of the quasi-Newton method for multiobjective optimization problems, along with some of the advantages and disadvantages of the existing methods.We give a brief discussion about the line search for these variants too.Two cases have been considered for BFGS, Huang BFGS, and self-scaling BFGS multiobjective versions of quasi-Newton methods: one is in the presence of the Armijo line search, and the other is in the absence of any line search.Subsequently, a nonmonotone line search version is also explained for multiobjective optimization problems.Commentary is given on the convergence properties of these methods.The rate of convergence of all these methods is highlighted.To prove the convergence of every method, it is reported that every sequence of points generated from the method converges to a critical point of the multiobjective optimization problem under some mild assumptions.Based on the available numerical data, we provide an unbiased opinion on the effectiveness of quasi-Newton methods for multiobjective optimization problems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,002 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle