Vai al contenuto| Home page|

   Ti trovi in: HOME »Programmi, progetti e risultati »I progetti »FIRB - Fondo per gli Investimenti della Ricerca di Base »scheda FIRB
INIZIO_TESTO_DA_INDICIZZARE

SCHEDA FIRB

italiano - english
Unità di Ricerca
  • Universita' degli Studi di ROMA "La Sapienza"
    Dip. INFORMATICA E SISTEMISTICA, ROMA (RM)
  • Universita' degli Studi della CALABRIA
    Dip. ELETTRONICA, INFORMATICA E SISTEMISTICA, COSENZA (CS)
  • Consiglio nazionale delle ricerche (CNR)
    Centro di Ricerca per il calcolo parallelo e i supercalcolatori, NAPOLI (NA)
  • Universita' di PISA
    Dip. MATEMATICA APPLICATA, PISA (PI)
FIRB simili:
Classificazione scientifico-disciplinare
Classificazione brevettuale
Classificazione geografica
Bibliografia
* INTERNATIONAL TEXTBOOKS
[1] M. S. Bazaraa, H. D. Sherali, C. M. Shetty. Nonlinear Programming - Theory and Algorithms, John Wiley & Sons, 1993
[2] J. F. Bonnans, J. C. Gilbert, C. Lemarèchal, C. Sagastizábal, Optimisation Numérique: Aspects théoriques et pratiques, Springer Verlag, 1997
[3] D. P. Bertsekas, Nonlinear Programming, Athena Scientific, 1999
[4] J. Nocedal, S. J. Wright, Numerical Optimization, Springer, 1999
[5] G. Meurant, Computer solution of large linear systems, North Holland, 1999
[6] A. R. Conn, N. I. M. Gould, P. L. Toint, Trust-region methods, MPS-SIAM Series on Optimization, 2000

* EDITED VOLUMES
[7] Algorithms for continuous optimization: the state of the art, E. Spedicato ed., Kluwer Academic Publisher, 1994
[8] Variational inequalities and network equilibrium problems, F. Giannessi, A. Maugeri, Plenum Press, 1995
[9] Nonlinear optimization and applications, G. Di Pillo, F. Giannessi eds., Plenum Press, 1996
[10] Nonlinear optimization and related topics, G. Di Pillo, F. Giannessi eds., Kluwer Academic Publisher, 2000
[11] High Performance Algorithms and Software in Nonlinear Optimization, R. De Leone, A. Murli, P. Pardalos, G. Toraldo eds., Kluwer Academic Publisher, 1998

* SURVEY PAPERS
[12] J. Nocedal, Large Scale Unconstrained Optimization, In The state of the art in Numerical Analysis, A. Watson and I. Duff eds., Oxford University Press, pp. 311--338, 1997
[13] A. R. Conn, N. Gould, P.L. Toint, Large-scale nonlinear constrained optimization: a current survey, Algorithms for Continuous Optimization: the State of the Art, E. Spedicato ed., Kluwer Academic Publishers, pp. 287--332, 1994
[14] G. Di Pillo, Exact penalty methods, In Algorithms for continuous Optimization: the state of the art, E. Spedicato, ed., pp. 209-253, Kluwer Academic Publishers, 1994
[15] P.L. De Angelis, P.M. Pardalos, G. Toraldo, Quadratic programming with box constraints. In Developments in Global Optimization, I.M. Bomze et al., eds., Kluwer Academic Publishers, 1996
[16] G. Di Pillo, S. Lucidi, On exact augmented Lagrangian functions in nonlinear programming, In Nonlinear optimization and applications, G. Di Pillo, F. Giannessi eds., Plenum Press, 1996
[17] M. Gaudioso, Nonsmooth optimization, in P. Pardalos, M. Resende eds., Handbook of Applied Optimization, Oxford University Press, 2001
[18] L. Grippo, Unconstrained minimization methods for neural network training, in C. Floudas, P. Pardalos eds., Encyclopedia of Optimization, Kluwer Academic
Publishers, 2001
[19] L. Palagi, Large scale trust region problems, in C. Floudas, P. Pardalos eds., Encyclopedia of Optimization, Kluwer Academic Publishers, 2001
[20] M. Roma, Large scale unconstrained optimization, in C. Floudas, P. Pardalos eds., Encyclopedia of Optimization, Kluwer Academic Publishers, 2001
[21] G. Di Pillo, L. Palagi, Nonlinear Programming: Introduction, Unconstrained Optimization, Constrained Optimization. To appear in Handbook of Applied
Optimization, Springer Verlag, P. Pardalos and M. Resende eds., 2001
[22] F. Schoen, Two phase metods for global optimization, Handbook of Global Optimization 2: Heuristic Approaches, Pardalos, Romeijn, eds. Kluwer Academic Publisher, 2001

* PAPERS in INTERNATIONAL JOURNALS or in VOLUMES

Linear Algebra
[23] Y. Saad, H. van der Vorst, Iterative solution of linear systems in the 20-th century, J. Comp. Appl. Math., 123, pp. 1-33, 2000

Unconstrained Optimization
[24] S. Lucidi, F. Rochetich, M. Roma, Curvilinear stabilization techniques for truncated Newton methods in large scale unconstrained optimization, SIAM J. on Optimization, 8, pp. 916-939, 1998
[25] N. Gould, S. Lucidi, M. Roma, P. L. Toint, A linesearch algorithm with memory for unconstrained optimization. In High performance algorithms and software in nonlinear optimization, Kluwer Academic Publishers, R. De Leone, A. Murli, P. Pardalos, G. Toraldo eds., pp.207-223, 1998
[26] L. Grippo, M. Sciandrone, Globally convergent block-coordinate techniques for unconstrained optimization, Optimization Methods and Software, 10, pp. 587-637, 1999
[27] N. Gould, S. Lucidi, M. Roma, P. L. Toint, Exploiting negative curvature direction in linesearch methods for unconstrained optimization. Optimization Methods and Software, 14, pp.75-98, 2000

Nonsmooth optimization
[28] R. De Leone, M. Gaudioso, M.F. Monaco, Nonsmooth Optimization Methods for Parallel Decomposition of Multicommodity Flow Problems, Annals of Operations Research, 44, pp. 299-311, 1993
[29] A. Fuduli, M. Gaudioso, Fixed and virtual stability center methods for convex nonsmooth minimization, in G. Di Pillo, F. Giannessi eds., Nonlinear Optimization and Related Topics, Kluwer Academic Publishers, 2000

Constrained Optimization
[30] F. Facchinei, J. Júdice, J. Soares, An active set Newton's method for large scale nonlinear programs with box constraints, SIAM J. On Optimization, 8, pp. 158-186, 1998
[31] G. Di Pillo, S. Lucidi, L. Palagi, A shifted-barrier primal-dual algorithm model for linearly constrained optimization problems, Computational Optimization and App., 12, 1998
[32] G. Di Pillo, S. Lucidi, L. Palagi, A superlinearly convergent primal-dual algorithm for constrained optimization problems with bounded variables, Optimization Methods and Software, 1, pp. 1-25, 2000
[33] J. Moré, G. Toraldo, On the solution of quadratic programming problems with bound constraints, SIAM J. on Optimization, 1, pp. 92-113, 1991
[34] N. Gould, S. Lucidi, M. Roma, P. L. Toint, Solving the trust-region subproblem using the Lanczos method. SIAM J. On Optimization, 9, pp. 504-525, 1999
[35] S. Lucidi, L. Palagi, M. Roma, On some properties of quadratic programs with a convex quadratic constraint, SIAM J. on Optimization, 8, pp. 105-122, 1998

Global Optimization
[36] G. Di Pillo, S. Lucidi, L. Palagi, M. Roma, A controlled random search algorithm with local Newton-type search for global optimization. In High performance algorithms and software in nonlinear optimization, Kluwer Academic Publishers, R. De Leone, A. Murli, P. Pardalos e G. Toraldo eds., pp. 143-159, 1998
[37] F. Schoen, Global Optimization methods for high-dimensional problems, European Journal of Operations Research, 119, pp. 345-352., 1999
[38] Ya. D. Sergeyev, An efficient strategy for adaptive partition of N-dimensional intervals in the framework of diagonal algorithms, J. of Optimization Theory and App., 107, pp.145-168, 2000
[39] M. Locatelli, F. Schoen, Fast global optimization od difficult Lennard-Jones cluster, Computational Optimization and App., to appear

Variational Inequalities and Nonlinear Complementarity
[40] F. Facchinei, Structural and stability properties of P0 nonlinear complementarity problems, Mathematics of Operations Research , 23, 1998
[41] F. Facchinei, A. Fischer, C. Kanzow, Regularity properties of a semismooth reformulation of variational inequalities, SIAM J. on Optimization, 8, 1998
[42] F. Facchinei, H. Jiang, L. Qi, A smoothing method for mathematical programs with equilibrium constraints, Mathematical Programming, 85, pp. 107-134, 1999
[43] T. De Luca, F. Facchinei, C. Kanzow, A theoretical and numerical comparison of some semismooth algorithms for complementarity problems, Computational Optimization and App., 16, pp. 173-205, 2000
[44] M. Pappalardo, M. Passacantando, Stability for equilibrium problems: from
variational inequalities to dynamical systems, J. of Optimization Theory and App., to appear

Neural Networks
[45] L. Grippo, A class of unconstrained minimization methods for neural network training, Optimization Methods and Software, 4, pp. 135-150, 1994
[46] L. Grippo, Convergent On-Line Algorithms for Supervised Learning in Neural Networks", IEEE Trans. on Neural Networks, 6, pp. 1284-1299, 2000
[47] C. Buzzi, L. Grippo e M. Sciandrone, Convergent decomposition techniques for training RBF neural networks, Neural Computation, to appear
Parole Chiave
Ottimizzazione Nonlineare; Programmazione Nonlineare; Programmazione Quadratica; Ottimizzazione Globale; Disequazioni Variazionali; Reti neurali

Ottimizzazione Nonlineare su Larga Scala

Università degli Studi di Roma "La Sapienza"
Abstract
* I metodi di ottimizzazione vengono considerati uno strumento per conseguire competitività tecnica ed economica. Le tecniche dell'ottimizzazione sono largamente impiegate nella progettazione e gestione di sistemi complessi, e per esse sono disponibili numerose librerie software. Tuttavia il crescente utilizzo delle tecniche di ottimizzazione, favorito dalla disponibilità di potenti strumenti di calcolo, fa si che spesso ci si confronti con il limite di cio' che e' possibile risolvere.
* Tra le cause che possono rendere difficile la soluzione di un problema di ottimizzazione se ne evidenziano due, spesso concomitanti: la struttura del modello, non appena questo risulti non lineare, e la dimensione del problema, determinata dal numero delle variabili e/o dei vincoli. Mentre nell'ottimizzazione lineare la dimensione dei problemi che e' possibile correntemente risolvere arriva all'ordine del milione, nell'ottimizzazione nonlineare non si supera ancora l'ordine del migliaio, e in particolare, nell'ottimizzazione globale non si supera l'ordine della decina. Da questo punto di vista lo sviluppo delle tecnologie informatiche non risulta da solo risolutivo, ed e' indubbio il bisogno di sviluppare, per l' ottimizzazione nonlineare a larga scala, metodologie nuove e piu' potenti.
* Il progetto di ricerca si propone di contribuire allo sviluppo di metodi per la soluzione di problemi di ottimizzazione a larga scala, caratterizzati da non linearità nella funzione obiettivo>>>

Coordinatore Scientifico del Programma di Ricerca
GIANNI DI PILLO, Universita' degli Studi di ROMA "La Sapienza"
Obiettivo del Finanziamento
* Gli obiettivi scientifici riguardano in generale lo sviluppo di metodi, algoritmi e software per la soluzione di problemi di ottimizzazione nonlineare a larga scala.
Si intende ridurre, in qualche misura, il divario esistente tra la dimensione dei problemi che e' possibile risolvere nell'ottimizzazione lineare e quella dei problemi che si riesce a risolvere nel caso non lineare, in particolare quando sono richieste soluzioni globali.
Si intende inoltre allargare la classe dei problemi trattati, includendo, oltre alle formulazioni classiche dei problemi di ottimizzazione, anche le piu' recenti generalizzazioni in termini di disequazioni variazionali.
Obiettivi e risultati attesi sono da riferire ai workpackages in cui si articola il progetto, e che corrispondono a linee di ricerca elencate nell'abstract:

WP1: Ambienti computazionali e strumenti software di base
WP2: Ottimizzazione non vincolata
WP3: Ottimizzazione vincolata
WP4: Ottimizzazione globale
WP5: Disequazioni variazionali
WP6: Reti neurali e "support vector machines".

* WP1. AMBIENTI COMPUTAZIONALI E STRUMENTI SOFTWARE DI BASE

Gli obiettivi che il WP si pone sono lo sviluppo di un ambiente computazionale idoneo alla risoluzione di problemi di ottimizzazione su larga scala, e la produzione di strumenti software efficienti per i nuclei di base di tali problemi. I ricercatori impegnati in questo WP>>>

Durata
36 mesi