Résumé - Une méthode de descente gradient fractionnaire de Caputo adaptative pour les problèmes d'optimisation multi-objectifs

Une méthode de descente gradient fractionnaire de Caputo adaptative pour les problèmes d'optimisation multi-objectifs

2025-07-10 11:54:13

{"Barsha Shaw","Md Abu Talhamainuddin Ansary"}

{math.OC,"26A33, 90C29, 90C25, 65K99, 49M05"}

L'article "An Adaptive Order Caputo Fractional Gradient Descent Method for Multi-objective Optimization Problems" de Barsha Shaw et Md Abu Talhamainuddin Ansary présente un algorithme novateur conçu pour traiter les problèmes d'optimisation multi-objectifs, un domaine complexe et critique dans diverses disciplines scientifiques et d'ingénierie. L'algorithme, connu sous le nom de MOAOCFGD (Multi-objective Adaptive Order Caputo Fractional Gradient Descent), est conçu pour gérer à la fois les problèmes lisses et non lisses sans nécessiter de paramètres pré-sélectionnés ou d'informations d'ordre spécifiques sur les fonctions d'objectif. L'introduction au calcul fractionnaire prépare le terrain pour le développement de l'algorithme. Le calcul fractionnaire, une extension du calcul classique pour inclure des dérivées d'ordre non-entier, est un domaine qui a reçu une attention considérable en raison de sa capacité à modéliser des systèmes complexes qui ne peuvent pas être capturés de manière adéquate par le calcul classique. Dans le contexte de cet article, les auteurs utilisent le concept de la dérivée fractionnaire de Caputo, qui est un type spécifique de dérivée fractionnaire particulièrement utile pour résoudre les problèmes d'initialisation. L'algorithme MOAOCFGD opère en résolvant itérativement un sous-problème à chaque étape pour déterminer une direction de descente appropriée vers une solution optimale. Ce sous-problème implique l'utilisation d'une dérivée fractionnaire de Caputo à ordre adaptatif pour chaque fonction d'objectif, ce qui permet à l'algorithme d'ajuster dynamiquement aux caractéristiques du problème. La nature adaptative de l'ordre assure que l'algorithme peut naviguer efficacement dans le paysage des fonctions d'objectif, qu'elles soient lisses ou non lisses. Pour déterminer la longueur de pas pour chaque itération, l'algorithme utilise une recherche de ligne de type Armijo. Cette méthode est une stratégie utilisée en optimisation pour trouver une taille de pas appropriée qui assure la convergence de l'algorithme. En utilisant la règle d'Armijo, l'algorithme peut ajuster la taille de pas en fonction de la performance des itérations précédentes, améliorant ainsi l'efficacité et l'exactitude du processus d'optimisation. La convergence de l'algorithme MOAOCFGD pour la solution régularisée de Tikhonov est démontrée sous des hypothèses légères. La régularisation de Tikhonov est une technique utilisée pour stabiliser les problèmes mal posés, ce qui est particulièrement pertinent dans le contexte de l'optimisation multi-objectifs. Les auteurs fournissent une justification théorique pour la convergence de l'algorithme, ce qui ajoute à la crédibilité de la méthode. Des expériences numériques sont menées pour valider l'efficacité de l'algorithme MOAOCFGD. Ces expériences couvrent une variété de problèmes d'optimisation multi-objectifs, y compris ceux liés aux réseaux neuronaux. Les résultats de ces expériences montrent que l'algorithme MOAOCFGD est capable de trouver des solutions optimales dans une large gamme d'applications, le rendant un outil polyvalent pour les chercheurs et les ingénieurs. Le texte est bien organisé et inclut une explication détaillée des aspects théoriques de l'algorithme MOAOCFGD, ainsi qu'une présentation approfondie des expériences numériques. Les auteurs ont soigneusement choisi les notations et termes mathématiques pour assurer la clarté et la précision de leurs explications. En conclusion, l'algorithme MOAOCFGD est une contribution significative au domaine de l'optimisation multi-objectifs. Sa capacité à gérer à la fois les problèmes lisses et non lisses sans nécessiter de paramètres pré-sélectionnés le rend un outil puissant pour résoudre des problèmes d'optimisation complexes. L'analyse théorique et la validation expérimentale fournies dans l'article fournissent des preuves solides de l'efficacité de l'algorithme, suggérant qu'il sera une ressource précieuse pour ceux qui travaillent sur des problèmes d'optimisation multi-objectifs à l'avenir.