Key points are not available for this paper at this time.
Cet article est consacré au développement d'une nouvelle classe de techniques quasi-Newton adaptées pour relever les défis computationnels posés par les contraintes de mémoire. Ces méthodologies sont communément appelées méthodes à mémoire « limitée ». La méthode proposée ici montre une capacité d'adaptation en introduisant un paramètre de mémoire personnalisable régissant la rétention des données historiques dans la construction de la matrice d'estimation de Hessian à chaque étape itérative. Les directions de recherche générées par cette approche novatrice sont dérivées d'une version modifiée ressemblant étroitement à la mise à jour BFGS multi-étapes à mémoire complète, incorporant un calcul à mémoire limitée pour un terme singulier afin d'approximer la multiplication matrice-vecteur. Les résultats des expériences numériques, explorant diverses configurations de paramètres, fondent l'efficacité améliorée de l'algorithme proposé dans le cadre des méthodologies quasi-Newton à mémoire limitée.
Moghrabi et al. (Mon,) ont étudié cette question.