Bitte verwenden Sie diesen Link, um diese Publikation zu zitieren, oder auf sie als Internetquelle zu verweisen: https://hdl.handle.net/10419/318860 
Autor:innen: 
Erscheinungsjahr: 
2024
Quellenangabe: 
[Journal:] Optimization Letters [ISSN:] 1862-4480 [Volume:] 19 [Issue:] 2 [Publisher:] Springer [Place:] Berlin, Heidelberg [Year:] 2024 [Pages:] 267-284
Verlag: 
Springer, Berlin, Heidelberg
Zusammenfassung: 
We propose a gradient-based method to solve quasiconvex optimization problems through decomposed optimization and prove local superlinear convergence under mild regularity assumptions at the optimal solution. A practical implementation further provides global convergence while maintaining the fast local convergence. In numerical examples from generalized cone programming, the proposed method reduced the number of iterations to 18 to 50% compared to bisection.
Schlagwörter: 
Quasiconvex optimization
Decomposed optimization
Newton’s method
Generalized cone problems
Persistent Identifier der Erstveröffentlichung: 
Creative-Commons-Lizenz: 
cc-by Logo
Dokumentart: 
Article
Dokumentversion: 
Published Version

Datei(en):
Datei
Größe





Publikationen in EconStor sind urheberrechtlich geschützt.