Artelys Knitro 12.2: résolution ultra-rapide des problèmes non linéaires !

9 juin 2020 | FR | Actualités, FR | Actualités Solveurs

— Nous avons le plaisir de vous présenter la version 12.2 d’Artelys Knitro qui s’accompagne de très nettes améliorations de performance sur une large gamme de problèmes non linéaires.

Cette version est non seulement plus rapide et robuste mais comprend surtout des améliorations majeures des algorithmes de Artelys Knitro:

  • Jusqu’à 60% plus rapide sur un ensemble de modèles clients non linéaires de très grande taille (plus de 100 000 variables) en utilisant les algorithmes de point intérieur.
  • Une amélioration de 50% en moyenne sur les problèmes non linéaires de taille moyenne (entre 1000 et 10 000 variables). Cette accélération provient des changements réalisés sur l’algorithme d’optimisation quadratique successive (SQP) de Knitro qui est particulièrement performant sur les problèmes pour lesquels les évaluations de fonction sont coûteuses (e.g. expression non linéaires complexes, simulateur externe, modèle boîte-noire, etc.).
  • Jusqu’à 75% d’amélioration sur les problèmes non contraints de très grande taille (plus de 250 000 variables) tels que les modèles de machine learning. Ce gain est rendu possible suite aux travaux réalisés sur les méthodes de quasi-Newton implémentées dans Knitro (principalement BFGS et L-BFGS).

Artelys Knitro 12.2 comprend également:

  • Une nouvelle parallélisation par défaut pour les fonctionnalités de multi-start, muti-algorithme et tuner.
  • Une amélioration de 14% en moyenne sur les problèmes MINLP.
  • Le support des processeurs ARM, Artelys knitro peut désormais être utilisé dans des systèmes embarqués ! Nous contacter pour obtenir de plus amples informations.
  • Une accélération notable sur les problèmes d’optimisation des flux de puissance (OPF) grâce à une nouvelle option du présolve.
  • Une mise à jour de l’interface C++ apportant une plus grande flexibilité dans la création des problèmes et une amélioration des performances sur les problèmes quadratiques (QP et QCQP).
  • Une amélioration des performances sur les problèmes avec contraintes de complémentarité (MPEC) lors de l’utilisation des méthodes de quasi-Newton.

  • Une résolution plus rapide des problèmes non contraints, non lisses (tels que traités en machine learning) suite à l’implémentation d’une nouvelle méthode de linesearch.

s'abonner à nos newsletters

© ARTELYS • Tous droits réservés • Mentions légales

Pin It on Pinterest

Share This