Un Método Eficiente de Multi-Paso Cuasi-Newton con Memoria Limitada

Este artículo está dedicado al desarrollo de una nueva clase de técnicas cuasi-Newton diseñadas para abordar los desafíos computacionales que imponen las limitaciones de memoria. Tales metodologías se conocen comúnmente como métodos de memoria “limitada”. El método propuesto aquí muestra adaptabilidad al introducir un parámetro de memoria personalizable que rige la retención de datos históricos en la construcción de la matriz de estimación Hessiana en cada etapa iterativa. Las direcciones de búsqueda generadas a través de este nuevo enfoque se derivan de una versión modificada que se asemeja al actualización BFGS de memoria completa, incorporando el cálculo de memoria limitada para un término singular que aproxima la multiplicación de matriz-vector. Los resultados de experimentos numéricos, que exploran varias configuraciones de parámetros, sustentan la eficiencia mejorada del algoritmo propuesto dentro del ámbito de la categoría de metodologías cuasi-Newton de memoria limitada.