Данная работа посвящена исследованию и оценке одной из характеристик адаптивного градиентного метода AMSGrad – его работоспособности при поиске оптимума жестких целевых функционалов. В работе приведен обзор этого метода, проведено его тестирование в условиях жесткости, а также сделан вывод о возможностях его применения для решения жестких задач оптимизации. В ходе работы были решены следующие задачи: 1. Изучение особенностей адаптивного градиентного метода AMSGrad. 2. Реализация метода AMSGrad на языке Python. 3. Тестирование метода AMSGrad на наборе тестовых функций (функции Розенброка с различными коэффициентами и функции Пауэлла). 4. Оценка полученной точности с точки зрения сходимости как по аргументу, так и по функционалу. Было установлено, что при некотором уровне жесткости AMSGrad способен решать оптимизационные задачи, однако он оказался неработоспособен в условиях высокого уровня жесткости целевых функционалов. Результаты исследования могут применяться при решении практических оптимизационных задач для принятия корректного решения о возможности использования метода оптимизации AMSGrad.

This work is devoted to studying and evaluating one of the adaptive gradient method AMSGrad characteristics – its performance in the search for the optimum of rigid target functionals. This work provides an overview of this method, the method was tested under rigidity conditions, and also the work contains a conclusion about possibilities of the method application for solving rigid optimization problems. During the study, the following problems were solved: 1. Study of the adaptive gradient method AMSGrad features. 2. Implementation of the AMSGrad method in Python. 3. Testing the AMSGrad method on a set of test functions (Rosenbrock function with different coefficients and Powell function). 4. Estimation of the obtained accuracy from the point of view of convergence both in argument and in functional. It was found that at a certain level of rigidity AMSGrad is able to solve optimization problems, but it turned out to be inoperable in conditions of the target functionals high rigidity level. The research results can be used in solving practical optimization problems to make the correct decision about the possibility of using the AMSGrad optimization method.