All issues

List of references:

1. А. С. Баяндина, А. В. Гасников, А. А. Лагуновская. Безградиентные двухточечные методы решения задач стохастической негладкой выпуклой оптимизации при наличии малых шумов не случайной природы // Автоматика и телемеханика. — 2018. — https://arxiv.org/ftp/arxiv/papers/1701/1701.03821.pdf.
   • A. S. Bayandina, A. V. Gasnikov, A. A. Lagunovskaya. Gradient-less two-point methods for solving stochastic nonsmooth convex optimization problems in the presence of small non-random noises // Automatics and telemechanics. — 2018. — https://arxiv.org/ftp/arxiv/papers/1701/1701.03821.pdf . — in Russian.
2. Ф. П. Васильев. Методы оптимизации. — М: МЦНМО, 2011. — Т. 2. — 433 с.
   • F. P. Vasiliev. Optimization methods. — Moscow: MCCME, 2011. — V. 2. — P. 433. — in Russian.
3. Е. А. Воронцова, А. В. Гасников, Э. А. Горбунов. Ускоренные спуски по случайному направлению и безградиентные методы с неевклидовой прокс-структурой // Автоматика и телемеханика. — 2018. — https://arxiv.org/pdf/1710.00162.pdf.
   • E. A. Vorontsova, A. V. Gasnikov, E. A. Gorbunov. Accelerated descents in a random direction and gradientless methods with non-euclidean prox-structure // Automatics and telemechanics. — 2018. — https://arxiv.org/pdf/1710.00162.pdf . — in Russian.
4. А. В. Гасников. Эффективные численные методы поиска равновесий в больших транспортных сетях. — М: МФТИ, 2016. — 487 с. — диссертация на соискание ученой степени д. ф.-м. н. по специальности 05.13.18 — Математическое моделирование, численные методы, комплексы программ.
   • A. V. Gasnikov. Effective numerical methods for finding equilibrium in large transport networks. — Moscow: MFTI, 2016. — 487 p. — thesis for PhD on the specialty 05.13.18] — Matematicheskoye modelirovaniye, chislennyye metody, kompleksy programm [Mathematical modeling, numerical methods, program complexes]. — in Russian.
5. Я. Гудфеллоу, И. Бенджио, А. Курвиль. Глубокое обучение. — ДМК Пресс, 2017. — 652 с.
   • Ya. Goodfellow, I. Bengio, A. Courville. Deep Learning. — DMK Press, 2017. — 652 p. — in Russian. — MathSciNet: MR3617773.
6. И. И. Дикин. Метод внутренних точек в линейноми нелинейномпрограм м ировании. — М: КРАСАНД, 2010. — 120 с.
   • I. Dikin. Interior point methods in linear and nonlinear programming. — Moscow: KRASAND, 2010. — 120 p. — in Russian.
7. В. А. Зорич. Математический анализ задач естествознания. — М: МЦНМО, 2017. — 160 с.
   • V. A. Zorich. Mathematical analysis of problems in the natural sciences. — Moscow: MCCME, 2017. — 160 p. — in Russian. — MathSciNet: MR2762339.
8. Ю. Г. Евтушенко. Оптимизация и быстрое автоматическое дифференцирование. — М: ВЦ РАН, 2013. — 144 с.
   • Yu. G. Evtushenko. Evtushenko. Optimization and fast automatic differentiation. — Moscow: CC RAS, 2013. — 144 p. — in Russian.
9. В. Г. Карманов. Математическое программирование. — М: Наука, 1986. — 288 с.
   • V. G. Karmanov. Mathematical programming. — M: Science, 1986. — 288 p. — in Russian. — MathSciNet: MR1024787.
10. Т. Кормен, Ч. Лейзерсон, Р. Ривест. Алгоритмы: построение и анализ. — М: МЦНМО, 2002. — 960 с.
    • T. Cormen, C. Leiserson, R. Rivest. Introduction to Algorithms. — Moscow: MCCME, 2002. — 960 p. — in Russian. — MathSciNet: MR1066870.
11. А. С. Немировский, Д. Б. Юдин. Сложность задач и эффективность методов оптимизации. — М: Наука, 1979. — 384 с.
    • A. S. Nemirovsky, D. B. Yudin. Problem complexity and method efficiency in optimization. — Moscow: Science, 1979. — 384 p. — in Russian. — MathSciNet: MR0702836.
12. Ю. Е. Нестеров. Введение в выпуклую оптимизацию. — М: МЦНМО, 2010. — 262 с.
    • Yu. E. Nesterov. Introductory lectures on convex optimization. — Moscow: MCCME, 2010. — 262 p. — in Russian. — MathSciNet: MR2142598.
13. В. Ю. Протасов. К вопросу об алгоритмах приближенного вычисления минимума выпуклой функции по ее значениям // Мат. заметки. — 1996. — Т. 59, № 1. — С. 95–102.
    • V. Yu. Protasov. On the question of algorithms for the approximate calculation of the minimum of a convex function from its values // Math. notes. — 1996. — V. 59, no. 1. — P. 95–102. — in Russian. — DOI: 10.1007/BF02312467. — Math-Net: Mi eng/mzm1697. — MathSciNet: MR1391825.
14. А. А. Разборов. Алгебраическая сложность. — М: МЦНМО, 2016. — 32 с.
    • A. A. Razborov. Algebraic complexity. — Moscow: MCCME, 2016. — 32 p. — in Russian.
15. N. Agarwal, Z. Allen-Zhu, B. Bullins, E. Hazan, T. Ma. Finding approximate local minima faster than gradient descent / In Proceedings of the Forty-Ninth Annual ACM Symposium on the Theory of Computing. — 2017. — MathSciNet: MR3678262.
16. Y. Arjevani, O. Shamir, R. Shiff. Oracle complexity of second-order methods for smooth convex optimization. — 2017. — https://arxiv.org/pdf/1705.07260.pdf.
17. M. Baes. Estimate sequence methods: extensions and approximations. — 2009. — http://www.optimization-online.org/DB_FILE/2009/08/2372.pdf.
18. A. G. Baydin, B. A. Pearlmutter, A. A. Radul, J. M. Siskand. Automatic differentiation in machine learning: a survey. — 2015. — https://arxiv.org/pdf/1502.05767.pdf.
19. S. Bubeck. Convex optimization: algorithms and complexity // In Foundations and Trends in Machine Learning. — 2015. — V. 8, no. 3-4. — P. 231–357. — DOI: 10.1561/2200000050.
20. Y. Carmon, J. C. Duchi, O. Hinder, A. Sidford. Accelerated methods for non-convex optimization. — 2017. — https://arxiv.org/pdf/1611.00756.pdf. — MathSciNet: MR3814027.
21. P. Dvurechensky, A. Gasnikov, A. Tiurin. Randomized Similar Triangles Method: A Unifying Framework for Accelerated Randomized Optimization Methods (Coordinate Descent, Directional Search, Derivative-Free Method). — https://arxiv.org/pdf/1707.08486.pdf.
22. S. Ghadimi, H. Liu, T. Zhang. Second-order methods with cubic regularization under inexact information. — 2017. — URL: https://arxiv.org/pdf/1710.05782.pdf.
23. G. N. Grapiglia, Yu. Nesterov. Regularized Newton methods for minimazing functions with H¨older continuous Hessian // SIAM J. Optim. — 2017. — V. 27(1). — P. 478–506. — DOI: 10.1137/16M1087801. — MathSciNet: MR3625807.
24. Y.-T. Lee, A. Sidford, S. C.-W. Wong. A faster cutting plane method and its implications for combinatorial and convex optimization. — 2015. — https://arxiv.org/pdf/1508.04874.pdf. — MathSciNet: MR3473356.
25. R. Monteiro, B. Svaiter. An accelerated hybrid proximal extragradient method for convex optimization and its implications to second-order methods // SIAM Journal on Optimization. — 2013. — V. 23. — P. 1092–1125. — DOI: 10.1137/110833786. — MathSciNet: MR3063151.
26. A. Nemirovski. Lectures on modern convex optimization analysis, algorithms, and engineering applications. — Philadelphia: SIAM, 2015. — http://www2.isye.gatech.edu/nemirovs/Lect_ModConvOpt.pdf .
27. Yu. Nesterov. Accelerating the cubic regularization of Newton’s method on convex problems // Math. Prog., Ser. A. — 2008. — V. 112. — P. 159–181. — DOI: 10.1007/s10107-006-0089-x. — MathSciNet: MR2327005.
28. Yu. Nesterov. Implementable tensor methods in unconstrained convex optmization. — 2018. — CORE Discussion Papers 2018005. — https://ideas.repec.org/p/cor/louvco/2018005.html .
29. Yu. Nesterov. Minimizing functions with bounded variation of subgradients. — 2005. — 13 p. — CORE Discussion Papers. 2005/79. — http://webdoc.sub.gwdg.de/ebook/serien/e/CORE/dp2005_79.pdf .
30. Yu. Nesterov, P. Polyak. Cubic regularization of Newton method and its global performance // Math. Program. Ser. A. — 2006. — V. 108. — P. 177–205. — DOI: 10.1007/s10107-006-0706-8. — MathSciNet: MR2229459.
31. Yu. Nesterov, V. Spokoiny. Random gradient-free minimization of convex functions // Foundations of Computational Mathematics. — 2017. — V. 17(2). — P. 527–566. — DOI: 10.1007/s10208-015-9296-2. — MathSciNet: MR3627456.
32. J. Nocedal, S. Wright. Numerical optimization. — Springer, 2006.