A Derivative-free Two Level Random Search Method for Unconstrained Optimization de Neculai Andrei

Observăm în această primă ediție a lucrării A Derivative-free Two Level Random Search Method for Unconstrained Optimization o abordare inovatoare în domeniul matematicii aplicate, concentrată pe rezolvarea problemelor de optimizare fără restricții prin metode care nu utilizează derivate. Autorul introduce un algoritm original bazat pe generarea aleatorie a punctelor de probă, unde selecția celor mai bune variante se face iterativ, pe baza unui set riguros de reguli. Această metodă se distinge de soluțiile clasice prin eficiența demonstrată în gestionarea unui număr mare de variabile, fiind testată pe 140 de scenarii complexe.

Structura monografiei este una progresivă: după o introducere conceptuală, capitolul al doilea detaliază metoda de căutare aleatorie pe două niveluri, urmat de o demonstrație matematică a convergenței algoritmului în capitolul al treilea. Găsim în capitolul al patrulea o analiză empirică vastă, care include 16 aplicații din lumea reală, evidențiind tranziția procesului de optimizare de la faza de reducere la cea de stagnare. Această lucrare acoperă o arie tematică similară cu Derivative-Free and Blackbox Optimization de Charles Audet, însă, spre deosebire de abordarea didactică și modulară a lui Audet, textul lui Neculai Andrei este mai focalizat pe o metodologie specifică de căutare aleatorie și pe performanța computațională a acesteia în probleme de scară largă.

În contextul operei sale, această carte completează cercetările anterioare precum Nonlinear Conjugate Gradient Methods for Unconstrained Optimization, unde autorul explora metode de gradient conjugat pentru probleme de dimensiuni mari. Dacă în lucrările precedente accentul cădea pe tehnici GAMS sau metode bazate pe gradient, volumul de față propune o alternativă robustă pentru situațiile în care informațiile despre derivate sunt indisponibile sau dificil de calculat, consolidând expertiza autorului în optimizarea neliniară modernă.