SQP methods are appropriate for sol

SQP methods are appropriate for solving smooth nonlinear optimization problems when the problem is not too large (although this limitation has been alleviated in some of the studies discussed below for large scale problems), functions and gradients can be evaluated with sufficiently high precision, and the problem is smooth and well-scaled(Hock and Schittkowski, 1983). In this approach, an approximation is made of the Hessian of the Lagrangian function using a quasi-Newton updating method. Boggs and Tolle
(2000) apply the general SQP methods to solve nonlinear constrained optimization problems. They point out that large scale problems (i.e., with a large number of variables and / or constraints) may lead to inefficient solution procedures when using SQP. Thus, they propose reduced Hessian SQP methods for solving large scale problems.

ผลลัพธ์ (ไทย) 1:

SQP วิธีเหมาะสมสำหรับแก้ปัญหาปรับเรียบไม่เชิงเส้นเมื่อปัญหาไม่ใหญ่เกินไป (ถึงแม้ว่าข้อจำกัดนี้ได้รับ alleviated ในบางการศึกษาที่อธิบายไว้ด้านล่างขนาดใหญ่ปัญหา), ฟังก์ชันและการไล่ระดับสีสามารถประเมินได้ ด้วยความแม่นยำสูงพอ และปัญหาคือปรับสัดส่วนได้ดี และราบรื่น (เก้าและ Schittkowski, 1983) วิธีการนี้ ทำการประมาณของกระสอบของฟังก์ชัน Lagrangian ใช้วิธีอัพเด quasi-นิวตัน Boggs และ Tolle (2000) ใช้วิธี SQP ทั่วไปเพื่อแก้ไขปัญหาไม่เชิงเส้นเพิ่มประสิทธิภาพจำกัด พวกเขาชี้ออกมาว่า ปัญหาขนาดใหญ่ (เช่น มีจำนวนมากของตัวแปรและ/ หรือข้อจำกัด) อาจนำไปสู่กระบวนการแก้ปัญหาต่ำเมื่อใช้ SQP ดังนั้น พวกเขาเสนอวิธีการลด SQP กระสอบสำหรับแก้ปัญหาขนาดใหญ่

ผลลัพธ์ (ไทย) 2:

วิธีการ SQP มีความเหมาะสมสำหรับการแก้ปัญหาการเพิ่มประสิทธิภาพได้อย่างราบรื่นไม่เป็นเชิงเส้นเมื่อปัญหาไม่ได้มีขนาดใหญ่เกินไป (แม้ว่าข้อ จำกัด นี้ได้รับการบรรเทาในบางส่วนของการศึกษากล่าวถึงด้านล่างสำหรับปัญหาขนาดใหญ่), ฟังก์ชั่นและการไล่ระดับสีสามารถประเมินได้ด้วยความแม่นยำสูงพอสมควรและ ปัญหาเป็นไปอย่างราบรื่นและมีการปรับขนาด (ขากและ Schittkowski, 1983) ในวิธีนี้ประมาณจะทำของรัฐของฟังก์ชันลากรองจ์ใช้วิธีกึ่งนิวตันการปรับปรุง บ็อกส์และ Tolle
(2000) ได้ใช้วิธีการ SQP ทั่วไปในการแก้ปัญหาความไม่เป็นเชิงเส้น จำกัด ปัญหาการเพิ่มประสิทธิภาพ พวกเขาชี้ให้เห็นว่าปัญหาขนาดใหญ่ (เช่นที่มีจำนวนมากของตัวแปรและ / หรือข้อ จำกัด ) อาจนำไปสู่วิธีการแก้ปัญหาที่ไม่มีประสิทธิภาพเมื่อใช้ SQP ดังนั้นพวกเขาเสนอวิธีการลด SQP รัฐในการแก้ปัญหาขนาดใหญ่

ผลลัพธ์ (ไทย) 3:

วิธีการที่เหมาะสมในการแก้ปัญหา sqp เรียบเส้น optimization ปัญหาเมื่อปัญหาไม่ได้มีขนาดใหญ่เกินไป ( แม้ว่าข้อ จำกัด นี้ได้ถูกทำให้ในบางการศึกษาที่กล่าวถึงด้านล่างปัญหาขนาดใหญ่ หน้าที่และการไล่ระดับสีได้เพื่อความแม่นยำสูงพอสมควร แต่ปัญหาคือเนียนดี ( หลังปรับขนาด และ schittkowski , 1983 ) ในวิธีการนี้การทำของกระสอบของฟังก์ชันระบบกึ่งนิวตันใช้วิธีการปรับปรุง . บ็อกส์ และ โทลเล
( 2000 ) ใช้ sqp ทั่วไปวิธีการแก้โจทย์ปัญหาข้อ จำกัด การเพิ่มประสิทธิภาพ พวกเขาชี้ให้เห็นว่าปัญหาขนาดใหญ่ ( เช่น ด้วยตัวเลขขนาดใหญ่ของตัวแปรและ / หรือข้อจำกัด ) อาจนำไปสู่วิธีการแก้ปัญหาประสิทธิภาพเมื่อใช้ sqp . ดังนั้นพวกเขาเสนอวิธีแก้ไขปัญหาการ sqp กระสอบขนาดใหญ่