Порівняння методів
Переглядайте обрані методи поруч; рядки з відмінностями підсвічено.
| Метод симплекс× | Метод доповненого лагранжіана× | |
|---|---|---|
| Галузь | Дослідження операцій | Дослідження операцій |
| Родина | Machine learning | Machine learning |
| Рік появи≠ | 1947 | 1969 |
| Автор методу≠ | George Dantzig | Magnus R. Hestenes and M. J. D. Powell |
| Тип | algorithm | algorithm |
| Основоположне джерело≠ | Dantzig, G. B. (1963). Linear Programming and Extensions. Princeton University Press. DOI ↗ | Hestenes, M. R. (1969). Multiplier and gradient methods. Journal of Optimization Theory and Applications, 4(5), 303-320. DOI ↗ |
| Інші назви≠ | simplex algorithm | method of multipliers, augmented Lagrangian, ADMM |
| Пов'язані≠ | 4 | 3 |
| Підсумок≠ | The Simplex Method, developed by George Dantzig in 1947, is a foundational algorithm for solving linear programming problems. It systematically explores vertices of the feasible region to find the optimal solution where the objective function is maximized or minimized subject to linear constraints. | The Augmented Lagrangian Method, developed by Magnus R. Hestenes and M. J. D. Powell in 1969, is a powerful technique for solving constrained optimization problems. It converts a constrained problem into a sequence of unconstrained subproblems by augmenting the Lagrangian with a quadratic penalty term, enabling efficient solution of large-scale problems including convex and nonconvex cases. |
| ScholarGateНабір даних ↗ |
|
|