Augmented Lagrangian Method
Die Augmented-Lagrangian-Methode (ALM), entwickelt von Magnus R. Hestenes und M. J. D. Powell im Jahr 1969, ist eine leistungsfähige Technik zur Lösung von Optimierungsproblemen mit Nebenbedingungen. Sie wandelt ein Problem mit Nebenbedingungen in eine Folge von Problemen ohne Nebenbedingungen um, indem sie die Lagrange-Funktion um einen quadratischen Strafterm erweitert. Dies ermöglicht die effiziente Lösung von Problemen großer Dimension, einschließlich konvexer und nicht-konvexer Fälle.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Methodenkarte
Die Nachbarschaft verwandter Methoden — wählen Sie einen Knoten, um sie zu erkunden.
Quellen
- Hestenes, M. R. (1969). Multiplier and gradient methods. Journal of Optimization Theory and Applications, 4(5), 303-320. DOI: 10.1007/BF00927673 ↗
- Powell, M. J. D. (1969). A method for nonlinear constraints in minimization problems. In Optimization (pp. 283-298). Academic Press. link ↗
- Boyd, S., Parikh, N., Chu, E., Peleato, B., & Eckstein, J. (2011). Distributed optimization and statistical learning via the alternating direction method of multipliers. Foundations and Trends in Machine Learning, 3(1), 1-122. DOI: 10.1561/2200000016 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Augmented Lagrangian Method for Constrained Optimization. ScholarGate. https://scholargate.app/de/operations-research/augmented-lagrangian-method
Welche Methode?
Stellen Sie diese Methode neben ihre nächsten Verwandten und lesen Sie sie nebeneinander — die Bibliothek legt die Bücher auf den Tisch; die Wahl liegt bei Ihnen.
- Benders-ZerlegungOperations Research↔ vergleichen
- Kolonnen-Generierung (Dantzig-Wolfe)Operations Research↔ vergleichen
- Simplex-AlgorithmusOperations Research↔ vergleichen
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →