Apresentar as principais ferramentas para a resolução de problemas de otimização não linear.
A disciplina aborda o problema de encontrar numericamente um ponto de mínimo para uma função suave restrita a um subconjunto, em geral não convexo, do espaço euclidiano. Este problema encontra aplicações em diversas áreas da ciência.
Introdução: Definições básicas. Existência e unicidade de solução: Resultados em otimização convexa e em conjuntos compactos. Otimização sem restrições: Condições de otimalidade. Métodos de Cauchy, Newton e Quasi-Newton. Globalização: Busca linear. Regiões de confiança. Otimização com restrições de igualdade e desigualdade: Restrições lineares. Métodos de restrições ativas. Condições de otimalidade. Métodos de penalidades.
J.M. Martinez, S.A. Santos, "Métodos Computacionais de Otimização", XX Colóquio Brasileiro de Matemática, IMPA, 1995. S. Luenberger, "Introduction to Linear and Nonlinear Programming", 2nd ed., Addison-Wesley, 1984. M. Bazaraa, H. Sherali, C. Shetty, "Nonlinear Programming: Theory and Applications", 2nd ed., John Wiley & Sons, 1993. C.T. Kelly, "Iterative Methods for Optimization", SIAM, 1999. D. Bertsekas, J.N. Tsitsiklis, "Parallel and Distributed Computing: Numerical Methods, Prentice Hall, 1989. J. Nocedal, S. Wright, "Numerical Optimization", Springer, 1999. O.L. Mangasarian, "Nonlinear Programming", Editora?, 19??.