Neste projeto, trabalhamos com o método de gradientes conjugados (MGC) para solução de um subproblema do método de Newton para minimização irrestrita algoritmo que chamamos de Newton-MGC. Nosso objetivo é conceber um estudo introdutório à área de métodos computacionais de otimização com o algoritmo de gradientes conjugados, um método queintegra a classe de algoritmos clássicos para otimização e permanece um assunto de pesquisa relevante até os dias de hoje. O presente trabalho parte da formulação do problema de minimização sem restrições, uma introdução aos métodos de direções conjugadas, alguns conceitos pré-requisitos para a plena compreensão dos gradientes conjugados e sua integração com o método de Newton para a solução de problemas de minimização. Ademais, foi feita uma implementação do método estudado na linguagem Julia e experimentos numéricos permitiram a validação do algoritmo estudado, além de comparações com outro método da literatura.
A metodologia consistiu: (i) no estudo e compreensão dos métodos trabalhados com a leitura de livros e artigos apresentados na bibliografia, paralelamente a conceitos básicos de otimização não linear; e novas tecnologias para aplicar computacionalmente o que foi estudado; (ii) implementação do método proposto com as tecnologias estudadas; (iii) experimentações numéricas que validaram os métodos implementados e (iv) análise e interpretação dos resultados experimentais por meio de tabelas e de perfis de desempenho.
Experimentos numéricos com problemas clássicos da literatura demonstraram a robustez do MGC. Podemos fazer as seguintes observações perante os resultados: em relação ao consumo de memória, Newton-MGC mostrou-se eficaz, o que era esperado dado que uma das propriedades mais interessantes do MGC é de não precisar armazenar todasas direções anteriores para garantir que novas direções sejam A-ortogonais; quanto aquantidade de iterações, no algoritmo de Newton-Cholesky as iterações do subproblema escalaram rapidamente a medida que o número de variáveis aumentava. Diante disso, todos os casos com 10000 variáveis excederam o limite de 10 minutos na primeira iteração. Em contrapartida, o desempenho do Newton-MGC continuou sendo muito bom e seu pior desempenho foi de 4 segundos em um caso com 10000 variáveis,mostrando assim sua robustez para problemas de grande porte.
Com os experimentos numéricos, podemos dizer que aplicar o método de gradientes conjugados ao método de Newton mostrou ser uma estratégia adequada para a solução de problemas de minimização irrestrita de grande porte. Em especial, apresentou bons resultados de desempenho nos problemas com grande quantidade de variáveis. Diante disso, vimos que o método de gradientes conjugados mostrou robustez nos quesitos analisados e, à vista de suas propriedades, mostrou-se um campo fértil para avanços.