Algorithm 778: L-BFGS-B

Artikeleigenschaften
  • Sprache
    English
  • Veröffentlichungsdatum
    1997/12/01
  • Indian UGC (Zeitschrift)
  • Auffrischen
    16
  • Zitate
    1,569
  • Ciyou Zhu Northwestern Univ., Evanston, IL
  • Richard H. Byrd Univ. of Colorado at Boulder, Boulder
  • Peihuang Lu Northwestern Univ., Evanston, IL
  • Jorge Nocedal Northwestern Univ., Evanston, IL
Abstrakt
Zitieren
Zhu, Ciyou, et al. “Algorithm 778: L-BFGS-B”. ACM Transactions on Mathematical Software, vol. 23, no. 4, 1997, pp. 550-6, https://doi.org/10.1145/279232.279236.
Zhu, C., Byrd, R. H., Lu, P., & Nocedal, J. (1997). Algorithm 778: L-BFGS-B. ACM Transactions on Mathematical Software, 23(4), 550-560. https://doi.org/10.1145/279232.279236
Zhu C, Byrd RH, Lu P, Nocedal J. Algorithm 778: L-BFGS-B. ACM Transactions on Mathematical Software. 1997;23(4):550-6.
Journalkategorien
Science
Mathematics
Instruments and machines
Electronic computers
Computer science
Science
Mathematics
Instruments and machines
Electronic computers
Computer science
Computer software
Technology
Electrical engineering
Electronics
Nuclear engineering
Electronics
Computer engineering
Computer hardware
Technology
Technology (General)
Industrial engineering
Management engineering
Applied mathematics
Quantitative methods
Beschreibung

Suchen Sie nach einer robusten Lösung für große, nichtlineare Optimierungsprobleme? Dieses Paper stellt L-BFGS-B vor, einen Limited-Memory-Algorithmus, der speziell für die Lösung großskaliger nichtlinearer Optimierungsprobleme mit einfachen Schranken für die Variablen entwickelt wurde. L-BFGS-B ist besonders wertvoll in Szenarien, in denen Informationen über die Hesse-Matrix schwer zu beschaffen sind oder in denen Probleme groß und dicht sind. Der Algorithmus eignet sich auch effektiv für uneingeschränkte Probleme und zeigt eine Leistung, die mit seinem Vorgänger, dem Algorithmus L-BFGS, vergleichbar ist. L-BFGS-B ist in Fortran 77 implementiert und bietet ein praktisches und effizientes Werkzeug zur Bewältigung komplexer Optimierungsherausforderungen. Dieser Algorithmus verbessert die Rechenkapazitäten in verschiedenen Bereichen, vom Ingenieurdesign bis zum maschinellen Lernen, wo Optimierung für die Lösung realer Probleme entscheidend ist.

Dieses Paper wurde in ACM Transactions on Mathematical Software veröffentlicht und passt perfekt zum Schwerpunkt der Zeitschrift auf numerische Algorithmen und mathematische Software. Durch die Präsentation eines neuen Algorithmus und seiner Implementierungsdetails trägt das Paper zum laufenden Diskurs der Zeitschrift über effiziente und zuverlässige Rechenwerkzeuge bei.

Auffrischen
Zitate
Zitationsanalyse
Die erste Studie, die diesen Artikel zitiert hat, trug den Titel Calibrating Volatility Surfaces via Relative-Entropy Minimization und wurde in 1997. veröffentlicht. Die aktuellste Zitierung stammt aus einer 2024 Studie mit dem Titel Calibrating Volatility Surfaces via Relative-Entropy Minimization Seinen Höhepunkt an Zitierungen erreichte dieser Artikel in 2022 mit 203 Zitierungen.Es wurde in 732 verschiedenen Zeitschriften zitiert., 17% davon sind Open Access. Unter den verwandten Fachzeitschriften wurde diese Forschung am häufigsten von The Astrophysical Journal zitiert, mit 25 Zitierungen. Die folgende Grafik veranschaulicht die jährlichen Zitationstrends für diesen Artikel.
Zitate verwendeten diesen Artikel für Jahr