Las funciones cuadráticas son una potente construcción de modelado en programación matemática y aparecen en diversas disciplinas como estadística, aprendizaje automático (regresión Lasso), finanzas (optimización de carteras), ingeniería (OPF) y teoría de control. En Mark 27.1 de la Biblioteca NAG, NAG introdujo dos nuevas incorporaciones a la NAG Optimization Modelling Suite para ayudar a los usuarios a definir fácilmente funciones objetivo cuadráticas y/o restricciones, integrarlas sin problemas con otras restricciones y resolver los problemas resultantes utilizando solucionadores compatibles sin necesidad de una reformulación o ningún esfuerzo adicional.

Cómo acceder a la nueva funcionalidad de la Biblioteca NAG

Igual que con todas las nuevas versiones, animamos a los usuarios de nag library a actualizar a la última Mark para acceder…

Este primer artículo de la serie dentro de The NAG Optimization Corner está dedicado a brindar orientación sobre cómo elegir la herramienta de optimización adecuada para un problema dado y demostrar las consecuencias de una elección inapropiada.

En NAG sabemos que elegir la herramienta de optimización adecuada puede ser una tarea bastante difícil y que el proceso, en ocasiones, puede parecer confuso. Una parte de nuestras solicitudes de servicio al cliente tratan este mismo tema. La mayoría de las veces, las consultas comienzan con la misma pregunta: "¿Por qué falla el resolvedor?" y, con bastante frecuencia, una inspección más detallada revela que se ha elegido el resolvedor incorrecto o que el modelo podría mejorarse significativamente. Si bien esta publicación aborda el primero, apreciamos que construir un modelo bueno o incluso…

Como novedad en la última Mark de la librería NAG existe un método de conjunto activo de primer orden (First-order Active-set o FOAS). FOAS está basado en un gradiente conjugado no lineal para optimización no lineal con restricciones de límite, de gran escala. El resolvedor es ideal para problemas muy grandes (decenas de miles o más variables) donde las derivadas de primer orden están disponibles o son relativamente poco costosas de estimar.

Un objetivo de diseño clave para el nuevo resolvedor FOAS fue proporcionar un reemplazo atractivo y moderno para la rutina uncon_conjgrd_comp (e04dg) existente en la librería NAG. Mientras que el resolvedor e04dg estaba destinado para programación no lineal (NLP) sin restricciones, el nuevo resolvedor handle_solve_bounds_foas (e04kf) no solo se ha ampliado para resolver NLP con restricciones de límite…

El 13 de mayo de 1970, hace 50 años, un pequeño equipo se reunió alrededor de una mesa de conferencias en la Universidad de Nottingham para formar lo que se convertiría en el Grupo de Algoritmos Numéricos.

Tres líderes de NAG: Brian Ford (Director Fundador, 1970-2004), Rob Meyer (CEO, 2004-19) y Adrian Tate (actual CEO de NAG) han escrito un mensaje para toda la comunidad NAG.

El pequeño equipo en Nottingham no tenía idea de cuánto tiempo y hasta dónde se extenderían sus esfuerzos. La intención desde el principio fue la colaboración mutua en el desarrollo de una biblioteca de algoritmos numéricos, compuesta por las mejores rutinas en todas las áreas numéricas solucionables, respaldada por software de prueba y excelente documentación del usuario. Joan Walsh de Manchester era experta en ecuaciones diferenciales ordinarias, Linda Hayes de…