R-chaosoptimiser: un optimizador global no lineal sin restricciones escrito en lenguaje r para el cálculo estadístico

En este artículo se discute la implementación de rchaosoptimizer, un paquete de R para la optimización no lineal basada en técnicas de gradiente y algoritmos de optimización caóticos. La implementación está basada en tres bloques constructivos que pueden ser ejecutados solos o combinados: 1) el algo...

Full description

Autores:
Velásquez H., Juan David
Tipo de recurso:
Article of journal
Fecha de publicación:
2011
Institución:
Universidad Nacional de Colombia
Repositorio:
Universidad Nacional de Colombia
Idioma:
spa
OAI Identifier:
oai:repositorio.unal.edu.co:unal/38541
Acceso en línea:
https://repositorio.unal.edu.co/handle/unal/38541
http://bdigital.unal.edu.co/28638/
http://bdigital.unal.edu.co/28638/2/
Palabra clave:
optimisation
R language
gradient-based method
chaos
algorithm
optimización
Lenguaje R
métodos basados en gradiente
caos
algoritmos
Rights
openAccess
License
Atribución-NoComercial 4.0 Internacional
Description
Summary:En este artículo se discute la implementación de rchaosoptimizer, un paquete de R para la optimización no lineal basada en técnicas de gradiente y algoritmos de optimización caóticos. La implementación está basada en tres bloques constructivos que pueden ser ejecutados solos o combinados: 1) el algoritmo de primera onda; 2) el método de búsqueda por coordenadas cíclicas basado en caos; y, 3) el algoritmo de segunda onda. El uso de algoritmos de optimización caóticos permite a la herramienta implementada escapar de puntos óptimos locales y converger al óptimo global dentro del domino predefinido de búsqueda. Dentro de los componentes previos, el usuario podría especificar una llamada al algoritmo BFGS para refinar la solución actual. El uso del algoritmo BFGS no es obligatorio, tal que la implementación es capaz de optimizar problemas con discontinuidades en la función objetivo. Sin embargo, el algoritmo BFGS es un método poderoso de búsqueda local, tal que, él es usado para explotar el conocimiento sobre la función objetivo para mejorar la solución actual. Finalmente, en ejemplo exploratorio es presentado.