UNIVERSIDAD NACIONAL DEL CALLAO

FACULTAD DE CIENCIAS NATURALES Y MATEMTICA

ESCUELA PROFESIONAL DE MATEMTICA

INFORME FINAL DE PRACTICA PRE-PROFESIONAL

MODALIDAD DE INVESTIGACION

UNA CLASE DE FUNCIONES GAP PARA DESIGUALDADES VARIACIONALES

JESUS EMMANUEL LLEMPEN BECERRA

CODIGO: 080993-B

RESOLUCION: N 007-2014-CD-EPM-FCNM

SEMESTRE ACADEMICO 2014-A

BELLAVISTA CALLAO

2014

ndice
I. Resumen . 1

Abstract ....2

II. Introduccin .......3

III. Marco terico ..4

Capitulo 1: Preliminares .....4

1.1. Relacin entre los VIP y los programas convexos ...4

Capitulo 2: Antecedentes y motivacin ..8

2.1. Funcin gap .....8

Capitulo 3: Funciones gap para desigualdades variacionales...14

3.1. El primal y dual de las funciones gap ......14

3.2 Aplicacin ...20

IV. Discusin y conclusiones ..24

V. Referencias bibliogrficas......25
I. Resumen

Auchmuty, matemtico britnico, propuso una nueva clase de funciones de merito o

formulaciones de optimizacin para desigualdades variacionales en el espacio de dimensin
finita. Desarrollaremos y generalizaremos los resultados de Auchmuty y relacionaremos su
clase de funciones de merito con otros trabajos hechos en este campo, especialmente
estudiaremos las propiedades de diferenciabilidad y convexidad y presentaremos la
caracterizacin de un grupo de soluciones para desigualdades variacionales. La nueva clase
de funciones de merito incluye el primal y el dual de las funciones gap propuesta por
Zuhovickii y la diferenciabilidad de funciones de merito recientemente presentado por
Fukushima.

1
Abstract

Auchmuty, British mathematician, proposed a new class of merit functions or optimization

formulations for variational inequalities in finite dimensional space. Develop and
generalize the results of Auchmuty and link your class of merit functions with other work
done in this field, especially study the differentiability and convexity properties and present
the characterization of a group of solutions for variational inequalities. The new class of
merit functions includes the primal and the dual functions of the gap given by Zuhovickii
and differentiability of functions recently introduced by Fukushima merit.

2
II. Introduccin
El nacimiento de los problemas convexos y de los problemas de desigualdades
variacionales (VIP) fuertemente ligados a la programacin matemtica ha dado lugar a
numerosos esfuerzos investigadores orientados a resolverlos. En los ltimos aos ha
resultado de vital importancia para la resolucin de los VIP el uso de las funciones gap para
reformular el problema como uno de optimizacin diferenciable sin restricciones. Este
artculo pretende ser una presentacin de la aplicabilidad de la funcin gap a los problemas
convexos as como un punto de investigacin que reduzcan las hiptesis para este caso
particular.

3
III. Marco Terico

Capitulo 1: Preliminares
n n n
Sea X no vacio, cerrado y convexo, subconjunto de R y F: X R R una
aplicacin continua. El problema de desigualdad variacional consiste en encontrar un
x X tal que:

F ( x ) ( xx ) 0; x X

(VIP)

Cuyo conjunto solucin es el conjunto

={ x X /F ( x )( xx ) 0 }

1.1. Relacin entre los VIP y los programas convexos

Los VIP sirven para reformular la bsqueda de soluciones de programas convexos

Consideremos el siguiente programa

min {f ( x ) ; x D }

(I )

Donde :

f : D Rn R y consideremos a D convexo.

Entonces fcilmente se prueba que todas las direcciones factibles en x D son los

vectores de la forma: d= ( xx ) ; x D y > 0

4
Entonces una condicin necesaria de primer orden para la existencia de un extremo en

x es:

t
f ( x ) . ( xx ) 0; x D , >0

O que es lo mismo
t
f ( x ) ( xx ) 0; x D

Observacin 1.1

Si Ff entonces el problema (I ) se traduce en un (VIP)

Se puede resumir este resultado en el siguiente teorema

Teorema 1.1

Sea D un conjunto no vacio, convexo y cerrado de Rn . Sean f : DR ,

f C 1 en D y F : D Rn

Tales que F f , entonces:

Si x es solucin de min {f ( x ) ; x D } x es solucion del VIP(F , X)

Ahora cabe plantearse el camino inverso, es decir determinar bajo que condicin la funcin

F es un gradiente. Una condicin suficiente es:

5
Teorema 1.2

F : X Rn Rn , F C 1 X0 X
Sea definida sobre un conjunto convexo y abierto

F X0
entonces es gradiente de una aplicacin en

F ( x ) es simtrica , x X 0

Observacin 1.2

F campo vectorial conservativo X0 X

Se dice que es un en si y solo si existe

una funcin escalar (campo escalar) tal que F= ( x ) ; x X 0

Veamos que la integral de lnea de un campo conservativo es independiente del camino.

Teorema 1.3

F campo vectorial conservativo X0

Si es un en el abierto y convexo y es

1
una curva de clase C entonces se cumple que:

FdS= ( ( b )) ( ( a ) )

Donde: F y : [ a , b ] Rn

Demostracin:

6
Como F

FdS= dS= d
dt
. dt
a

Definamos:

d
g ( t )= ( ( t ) ) g' ( t )= ( ( t ) ) .
dt

As

FdS= g ' ( t) dt=g ( b )g ( a ) = ( ( b )) ( ( a ) )

a

Teorema 1.4

Sea F un campo vectorial en el abierto convexo

X0 X
tal que FdS es

independiente de . Entonces F y la funcin potencial puede expresarse

como:

x
( x )= FdS ( P)

Prueba
x+h x x+h
( x+ h ) ( x )= Fds Fds= Fds
a a x

7
Sea ( t )=x+th con t [0,1] . Entonces

1
d
F( (t ) ) .dt= h. F ( (t ) ) dt
dt 0
x +h 1

Fds=
x 0

Supongamos que los incrementos apuntan en las direcciones de los vectores de la base

h=h ei
cannica, es decir, . Entonces

1
( x +h e i ) ( x )=h F i ( x +t . h e i ) dt
0

Por lo tanto

1
lim h 0 F i ( x+ the i ) dt=F i (x)
0
( x +h e i )( x)
lim h 0 =
h

=
xi

Luego F=

8
Capitulo 2: Antecedentes y motivacin
Las funciones de merito discutidas en este trabajo son del tipo dado por la siguiente
definicin

Definicin 2.1 (funcin gap)

Una funcin : X R {,+ } es una funcin gap para (VIP) . Si:

1. ( x ) 0 o ( x ) 0 ; x X

2. ( x )=0 x

Una funcin gap proporciona una medida de la violacin de (VIP) en cualquier

punto x X , y minimizando sobre X (Suponiendo ( x ) 0 en X ) se

obtiene un punto en .

Por lo tanto las funciones gap se pueden utilizar como funciones de merito para las
desigualdades variacionales.

Ahora resumiremos los resultados de Auchmuty. El desarrolla funciones de merito para

(VIP) , sobre la base de una funcin

L : XxX R

t
L ( x , y ) =f ( x )f ( y ) + [ F ( x ) f ( x ) ] .( x y ) (2.1)

9
 n
Donde f : R R {+ } es convexa y semicontinua inferiormente (l. s . c .) y

f C 1 en X .

El siguiente teorema relaciona puntos de silla L para el conjunto de soluciones para

(VIP)

Teorema 2.1 (Puntos de silla en )

Si ( x , y ) XxX , satisface:

L ( x , y ) L ( x , y ) L ( x , y ) ( x , y ) XxX x resuelve(VIP)

Observacin 2.1

El punto y no resuelve en general el (VIP) y dado que la L (x , y) no es convexa

en el argumento x que no es en general una silla de montar.

10
Paraboloide hiperblico (silla de montar)

La caracterizacin de un punto silla solucin de (VIP) define dos formulaciones de

optimizacin posibles para el problema de la desigualdad variacional por la introduccin de

dos funciones gap diferentes.

Primero, nos referimos como el primal de la funcin gap generalizada, por razones que
sern evidentes ms adelante, se define como:

G ( x )= y X { L ( x , y ) } ; x X ( PGG)

Y la formulacin de optimizacin correspondiente es:

inf x X {G ( x ) }

(OPGG)

11
Note que ( PGG ) es un programa convexo, ya que L es cncava en y X . Para el

primal de la funcin gap generalizada G : X R {+ } los resultados de

Auchmuty se resumen en el siguiente teorema.

Teorema 2.2 (Propiedad de G )

1. G ( x ) 0 y es l. s . c . xX

2. G ( x )=0 x

En particular, cuando X es acotado, G es infinito en X

Observacin 2.2

La finitud de G puede establecerse tambin para conjuntos no acotados, por ejemplo

mediante la imposicin de una fuerte convexidad de f .

La resolucin de ( VIP ) es equivalente a minimizar G sobre X , de modo que

G es una funcin de merito para las desigualdades variacionales.

En cuanto a la formulacin del dual, se introduce la funcin:

g : X R { } Y se define

g ( y ) =inf x X { L ( x , y ) } ; y X

( DGG)

Y la formulacin resultante de optimizacin es:

12
 y X { g ( y ) }

( ODGG )

Para la funcin g se tienen los siguientes resultados, correspondientes al teorema 2.2

Teorema 2.3 (Propiedades de g )

1. g ( y)0, y X

2. g ( y ) =0 y

En general, el reciproco de 2 no se da, como muestra el siguiente ejemplo. Una

consecuencia de esto es g no es una funcin gap.

Ejemplo 2.1

Sea F ( x )=x y X ={x /0 x 1 } . Entonces el problema es equivalente a minimizar

1 2
x
sobre X , con la nica solucin x =0(= { 0 })
2

4
Elegir f ( x )=x , que es estrictamente convexa. Entonces:

13
 L ( x , y ) =x 4 y 4+ [ x4 x 3 ] ( x y )

g ( y ) =inf x X { L ( x , y ) }=min x X { L ( x , y ) } ; y X

g ( 0 )=min x X { x 4 + ( x4 x 3 ) x }

g ( 0 )=min x X { x 23 x 4 }=2 0

g (0 ) 0

Terminamos esta seccin, motivando el uso de G como funcin de merito,

proporcionando una interpretacin de la misma en trminos de aproximaciones de

(VIP) .

Desde que (PGG) es un programa convexo, evaluar G (x) es equivalente a

descubrir una solucin y (x) para la desigualdad variacional, considerando las

condiciones de optimalidad de primer orden de (PGG) , es decir, para cada x X

G ( x )= y X { L ( x , y ) }

14
 t
y L ( x , y ( x ) ) . ( y y ( x ) ) 0; y X

(2.2)

Ahora asumimos que en (VIP) , el mapeo de F es aproximado por la gradiente de

una funcin convexa f. Entonces el error cometido es F f . Si para algn punto

fijo x X se toma en cuenta este error aadiendo f entonces la aproximacin

simtrica de la desigualdad variacional consiste en encontrar un y (x) X tal que:

f ( y ( x ) ) + F ( x ) f (x)
( t ( y y ( x ) ) 0 ; y X ( AVIP)

Pero de (2.1) se prueba que (2.2) y ( AVIP) son equivalentes.

Por tanto se concluye que calcular G ( x) equivale a resolver ( AVIP) a travs de una

aproximacin costo.

Obviamente, cuanto mejor se aproxime la gradiente f (posiblemente el mapeo de

F es asimtrico) y (x) sera de .

En el caso de que F es simetrico en X entonces podemos elegir la funcin f tal

que f =F y asi ( AVIP) se reduce a (VIP) .

Esta posibilidad de elegir f asi como la aproximacin de F exactamente por las

desigualdades variacionales simtricas sugiere una estrategia de simetrizacion para el caso

asimtrico.

15
La no existencia del problema de optimizacin ( P) es debido al hecho de que el valor

de la integral de lnea en ( P) es dependiente de la curva, , desde 0 a x X . Para

definir una integral de lnea sin ambigedades, podemos elegir la curva siendo la lnea

recta desde 0 a x , por lo tanto introducir una parametrizacion s=s ( t )=t . x . Entonces

definimos:

1
f ( x )= F ( s )t ds= ( t ) dt (2.3)
0

t
Donde :R R esta dada por (t )=F ( tx ) . x . Esta aproximacin es exacta

( f en(P) si F es el gradiente de f , y debe ser una buena aproximacin

modesta para la asimetra de F . El siguiente ejemplo mostrara que una simetrizacin

conocida de las desigualdades variacionales afines se obtiene de la aplicacin de (2.3)

Ejemplo 2.2

Considerar la desigualdad variacional asimtrica y afn, es decir, F ( x )= Axb

nxn
Donde A es una matriz asimtrica en R . Por la eleccin de f como en (2.3),

obtenemos que:

1
1
f ( x )= ( tAxb )t . xdt= x t Axbt x
0 2

16
 2 1 t
f = ( A+A )
Que en realidad define una simetrizacion de F , pues 2 es la parte

simtrica de F= A .

En la siguiente seccin nos relacionamos con los resultados obtenidos por Auchmuty,

algunos resultados anteriores en funciones de merito para (VIP) .

Capitulo 3: Funciones gap para desigualdades variacionales

3.1 El primal y dual de las funciones gap

Comenzamos por estudiar el importante caso especial de funciones de merito de Auchmuty

como resultado de hacer f 0 en (2.1) (Auchmuty trata este caso por separado, pero los

estudios en las funciones de merito se han hecho a finales de 1960). La funcin se silla de
montar correspondiente a (2.1) entonces es:

t
L ( x , y )=F( x) ( x y )

(3.1)

En el contexto de juegos no cooperativos esta funcin fue estudiada por Zuhovickii que

mostro que en virtud de un supuesto de monotonicidad en F , una solucin para el

17
problema de equilibrio se encuentra mediante la bsqueda de un punto de silla en L , es

decir, un punto ( x , y ) tal que:

t
y X { inf x X F ( x )t ( x y ) }=F ( x ) ( x y )=inf x X { y X F ( x )t ( x y ) } (SP)

Explorando la igualdad de la derecha de (SP) se obtiene el primal de la funcin gap

G : X R {+ }

G ( x )= y X { F ( x )t ( x y ) } (PG)

Que ha sido estudiado en diversos contextos. A continuacin se resumen sus propiedades

ms importantes.

Teorema 3.1 (Propiedades de G )

Para cualquier x X , sea Y (x ) que denota el conjunto (posiblemente vacio) de

soluciones ptimas para el problema ( PG )

1. G es una funcin gap

2. G e s l. s . c . en X

18
 1
3. Si X es acotado y F C en X , entonces G es lipschitziana en X ,

es decir :
MG 0
tal que
x1 , x2 X G ( x 1) G(x 2) M Gx 1x 2
t
4. Si F C 1 en X y si Y ( x ) ={ y ( x ) } con G ( x )=F ( x ) + F ( x ) (x y ( x ) )

entonces G es diferenciable en x X .

5. Si F C
1
en X , y montona en X entonces si x y

Y ( x ) ={ y ( x ) } , la direccin d= y ( x )x es una direccin factible de descenso

con respecto a G en x y la derivada direccional

G' ( x ; d )= G(x )t d G(x)

6. G es convexa en X , si F ( x )t x es convexa en X .

7. (Una caracterizacin de un punto fijo de ) x x Y ( x )

8. (Una caracterizacin de un punto estacionario de Bajo las condiciones de

'
F en 5. x G ( x ; yx ) 0 , y X

Prueba

Probaremos algunas de estas propiedades.

La prueba de 1 y 2 es inmediata del teorema 2.2.

1
El resultado de 4 es trivial, pues si F C implica que G es diferenciable.

Para probar 5 empezamos calculando la derivada direccional de G en la

direccin d

19
 t
G ( x ; d )= G ( x ) d=[ F ( x ) + F ( x ) ( x y ( x ) ) ] ( y ( x )x )
' t t

t
[ F ( x )+ F ( x ) ( x y ( x )) ] ( x y ( x ) )
t

t t
[ F ( x ) ( x y ( x ) ) + ( x y ( x ) ) F ( x ) ( x y ( x ) ) ]

t
[G(x)+ ( x y ( x ) ) F ( x ) ( x y ( x )) ]

G ( x ) ; pues F ( x ) es definida positiva

As obtenemos el resultado G' ( x ; d )= G ( x )t d G( x) .

Prueba de 6
t
Sea H ( x )=F ( x ) x , por hiptesis H es convexa sobre X .

G ( x )= y X { F ( x )t ( x y ) } , debemos probar que para x1 , x2 X y [0,1]

1
x 1+()x 2
:
G

Por definicin de G

20
 1
x 1+()x 2

1
x 1+()x 2

1
( x 1+() x2 ) y
F

G

1
x 1 +() x 2

1
x 1 +() x 2

1
x 1 +() x 2
F ( t y } (1)
F

y X

Ahora, H es convexa entonces se tiene:

1
x 1+()x 2

H

1
x 1+()x 2

1
x 1+()x 2

F

Sea z= x 1+(1 )x 2

21
 De (2) en (1):

1
x 1+() x 2
F ( t y }
F ( x 1 )t x 1+ (1 ) F ( x 2 )t x 2
G ( z ) y X

y X { F ( x 1 )t x1 + ( 1 ) F ( x 2) t x2 F ( x 1 )t y(1) F ( x 2 )t y }

y X { F ( x 1 )t ( x 1 y ) + ( 1 ) F ( x2 )t (x 2 y ) }

Sup y X { F ( x1 )t ( x 1 y ) }+ ( 1 ) y X { F ( x2 )t ( x 2 y ) }

Entonces:

G ( z ) G ( x 1 ) + ( 1 ) G( x 2 )

Por tanto G es convexa en X .

Luego si (VIP) tiene una solucin, el conjunto de soluciones para

inf x X G ( x )

(OPG)

es igual al conjunto .

La funcin G se ha utilizado como una funcin de merito en varios algoritmos para la

solucin de (VIP) .

22
En cuanto a la igualdad de la izquierda de (SP) obtenemos el dual de la funcin gap

g : X R { }

t
g ( y )=inf x X {F ( x ) ( x y ) }

( DG)

Segn lo establecido anteriormente, en el caso general (f 0) la formulacin del dual no

constituye una apropiada funcin gap. Para el caso f 0 , sin embargo, es posible

demostrar que g es una funcin gap siempre que F sea pseudo-montona en X ,

es decir:

F ( y )t ( x y ) 0 F ( x )t ( x y ) 0 ; x , y X (3.2)

(Esta propiedad est, por ejemplo, implicada por monotonicidad). Bajo esta condicin

(VIP) es equivalente a encontrar un x X tal que:

F ( x )t ( xx ) 0 ; x X

'
(VI P )

Resumimos algunas propiedades de g a continuacin.

Teorema 3.2 (Propiedades de g )

23
Sea F:X R
n
pseudo-montona en X . Tambin, para cualquier y X se define

X( y) denota (posiblemente vacio) el conjunto de soluciones optimas para el problema

(DG) .

1. g es una funcin gap

2. g es cncava en X

3. Si F C
1
en X y si X ( y )= { x ( y ) } con g ( y )= F ( x ( y )) entonces

g es diferenciable en y X .

Prueba

En la prueba de 1, lo que nos interesa es la segunda condicin para una funcin gap.

Entonces como y F ( y )t ( x y ) 0

t
F ( x ) ( x y ) 0

t
inf x X {F ( x ) ( x y ) } 0

g ( y ) 0 pero g( y )0

g ( y )=0

Como consecuencia de las propiedades de la funcin gap g , el conjunto de soluciones

de

y X g ( y )

(ODG)

24
es igual al conjunto .

Resumiendo las propiedades de la funcin silla L , aunque no es convexa en el

argumento x , tenemos, por pseudo-monotona F

g ( y ) 0 G ( x ) ; x , y X

y X g ( y )=0=inf x X G(x)

Entonces (x , y ) es un punto de silla de L x , y .

Uno puede notar la bonita simetra en las propiedades de G y g . Si bien el clculo

de G(x) es un problema convexo, la minimizacin de G es en general un problema

no convexo como no diferenciable.

Por otra parte, mientras que la evaluacin de g( y ) es en general, un problema no

convexo, la maximizacin de g es siempre un problema convexo.

Tambin, la convexidad de G se cumple para F afin y montona y bajo las mismas

condiciones el clculo de g ( y ) es un problema convexo.

25
3.2 Aplicacin (mnimos cuadrados)

P1=( x 1 , y 1 ) , P2=( x 2 , y 2 ) , P3=( x 3 , y 3 ) , , Pn=( x n , y n )

Dados los puntos del plano

queremos encontrar la recta y=mx +b tal que la suma de los cuadrados de las

distancias verticales de estos puntos a la recta sea mnima, esto es, queremos minimizar

n
f (m, b)= ( y im x ib)2
i=1

Demuestre que el mnimo ocurre cuando:

{
n n n

x i2 m+ xi b= x i y i
i=1 i=1 i=1
n n

xi m+nb= y i
i=1 i=1

Prueba.

26
Notemos que f (m, b) es convexa, pues, es una suma de funciones convexas y est

definida en R2 que es un conjunto convexo. Entonces el problema de minimizar f es

un problema convexo.

As bastara resolver
f ( m, b ) =(0,0)

Para encontrar los puntos de mnimo global (m , b ) .

En efecto:
n n

( )
f ( m, b ) = 2 ( y i m x ib )( x i ) ; 2 ( y im x ib ) (1 ) =( 0,0 )
i=1 i=1

Entonces:

yi
(m x ib )x i=0
yi

n n

(m x ib )=0
i=1 i=1

Luego se tiene:

{
n n n

x i y im xi2b x i=0
i=1 i=1 i=1
n n

y im xi nb=0
i=1 i=1

O equivalentemente,

{
n n n

x i2 m+ xi b= x i y i
i=1 i=1 i=1
n n

xi m+nb= y i
i=1 i=1

27
 2 2
Por otro lado definamos la funcin F:R R

n n

(
F ( m ,b )= 2 ( y im x ib ) (xi ) ; 2 ( y im x ib ) (1 )
i=1 i=1
)
Veamos si F puede ser gradiente de otra funcin f , es decir, si F es simtrica:

( )
F1 F1
F ( m, b ) = m b ; F=( F , F )
1 2
F2 F2
m b

n n

( )
2
2 ( y im x ib )( x i ) 2 ( y i m x ib )( xi )
F ( m , b) = i=1
n
i=1
n
2 ( y im x ib ) ( x i ) 2 ( y im x ib )
i=1 i=1

As, F es simtrica, entonces F es gradiente de f .

Adems debemos recordar que una condicin necesaria de primer orden para la existencia
de un extremo es:

m
( ,b )
( m, b )

t
f ( m , b )

28
 Por tanto, el problema de mnimos cuadrados se puede plantear como un VIP siempre

que F= f

A manera de prctica planteamos encontrar la recta de mnimos cuadrados con ayuda del

problema anterior, para los puntos del plano: ( 3,2 ) , ( 4,3 ) , ( 5,4 ) , ( 6,4 ) y (7,5)

Solucin. Del ejercicio anterior tenemos:

{
n n n
2
xi m+ xi b= x i y i
i=1 i=1 i=1
n n

xi m+nb= y i
i=1 i=1

29
 P1=( 3,2 ) , P2 =( 4,3 ) , P3=( 5,4 ) , P4 =( 6,4 ) y P 5=( 7,5 ) .
Por dato tenemos los puntos

Reemplazando los puntos en las ecuaciones anteriores se tiene

{( 9+16+25+36+ 49 ) m+ ( 3+4 +5+6+7 ) b=( 3 ) ( 2 ) + ( 4 ) ( 3 )+ ( 5 )( 4 ) + ( 6 )( 4 ) + ( 7 ) (5)

( 3+4 +5+6+7 ) m+5 b=2+3+4 + 4+5

As debemos resolver el sistema

{13525m+25 b=97
m+5 b=18

7 1
m= b=
Resolviendo tenemos que 10 y 10 .

Por tanto la recta pedida es: 10 y=7 x+ 1

La recta 10 y=7 x+ 1 es la prxima a los puntos dados.

30
IV. Discusiones y conclusiones
Concluimos que las desigualdades variacionales es una muy buena herramienta para
solucionar los problemas convexos dado que en este trabajo se prob que existe una

equivalencia entre los (VIP) y los programas convexos es decir se puede reformular un

problema convexo en un (VIP) y viceversa.

Adems gracias a la funcin de merito L propuesta por Auchmuty, se puede hallar

soluciones para (VIP) mediante la determinacin de puntos de silla de L . Por ende

existe una relacin entre los puntos silla y los problemas convexos.

31
V. Referencias Bibliogrficas

http://www.lawebdefisica.com/files/apuntes/calculo2.pdf
Optimizacin Continua: Erik Papa Quiroz (UNAC)
Nonlinear Programming and Variational Inequality Problems: Michael Patriksson
Linear Programming and Network Flows: Mokhtar S. Bazaraa
L. Armijo, Minimization of function having Lipschitz continuos partial derivatives,

Pacific Journal of Mathematics 16 (1964) 1-3.

Ausleuder, Optimisation: Mthodes numriques (Masson, Paris, France, 1976).

32