Augmented Lagrangian Method
De Augmented Lagrangian Method, ontwikkeld door Magnus R. Hestenes en M. J. D. Powell in 1969, is een krachtige techniek voor het oplossen van geconstraineerde optimalisatieproblemen. Het transformeert een geconstraineerd probleem in een reeks ongeconstraineerde deelproblemen door de Lagrange-functie uit te breiden met een kwadratische strafterm, wat efficiënte oplossing van grootschalige problemen, inclusief convexe en niet-convexe gevallen, mogelijk maakt.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Augmented Lagrangian Method for Constrained Optimization. ScholarGate. https://scholargate.app/nl/operations-research/augmented-lagrangian-method
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Benders DecompositieOperations research↔ vergelijken
- Kolomgeneratie (Dantzig-Wolfe)Operations research↔ vergelijken
- SimplexmethodeOperations research↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →