En este art´ıculo presentamos un an´alisis sobre la tasa de convergencia de un algoritmo de punto proximal escalarizado inexacto para resolver problemas irrestrictos de minimizaci´on multiobjetivo cuasi-convexas definidos en espacios Eu-clidianos, donde las funciones vectoriales son localmente Lipschitz. Bajo algunas hip´otesis naturales, probamos que la sucesi´on generada por el algoritmo converge lineal y superlinealmente hacia un punto cr´ıtico Pareto-Clarke del problema.
Resumen: En este artículo presentamos un método de punto proximal escalarizado inexacto para resolver problemas irrestrictos de minimización multiobjetivo cuasiconvexas definidos en espacios Euclidianos, donde las funciones vectoriales son localmente Lipschitz. Bajo algunas hipótesis naturales, probamos que la sucesión generada por el método está bien definida, y converge globalmente. Seguidamente proporcionando al método propuesto dos criterios de error, se obtienen dos variantes del mismo, y se prueba que las sucesiones generadas por cada una de estas variantes, convergen hacia un punto crítico Pareto-Clarke del problema.
Palabras clave: Método de puntoAbstract: In this paper, we present an inexact scalarized proximal point method to solve unconstrained quasiconvex multiobjective minimization problems defined in Euclidean spaces, where the vector functions are locally Lipschitz. Under some natural assumptions, we prove that the sequence generated by the method is well defined and converges globally. Next, introduzing two error criteria on the method, two variants are obtained, and it is proved that the sequences generated by each one of these variants, converge to a Pareto-Clarke critical point of the problem.c Los autores. Este artículo es publicado por la Revista PESQUIMAT de la Facultad de Ciencias Matemáticas, Universidad Nacional Mayor de San Marcos. Este es un artículo de acceso abierto, distribuido bajo los términos de la licencia Creative Commons Atribucion-No Comercia-Compartir Igual 4.0 Internacional.(http://creativecommons.org/licenses/by-nc-sa/4.0/) que permite el uso no comercial, distribución y reproducción en cualquier medio, siempre que la obra original sea debidamente citada. Para información, por favor póngase en contacto con
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.