【运筹优化】牛顿法详解 + Matlab代码实现 |
您所在的位置:网站首页 › matlab优化模型代码 › 【运筹优化】牛顿法详解 + Matlab代码实现 |
文章目录
1 牛顿法简介2 牛顿法原理3 牛顿法推导4 Matlab代码实现5 低版本Matlab报错
1 牛顿法简介
牛顿迭代法(Newton’s method)又称为牛顿-拉夫逊(拉弗森)方法(Newton-Raphson method),它是牛顿在17世纪提出的一种在实数域和复数域上近似求解方程的方法。 多数方程不存在求根公式,因此求精确根非常困难,甚至不可解,从而寻找方程的近似根就显得特别重要。方法使用函数 f ( x ) f(x) f(x) 的泰勒级数的前面几项来寻找方程 f ( x ) = 0 f(x)=0 f(x)=0 的根。牛顿迭代法是求方程根的重要方法之一,其最大优点是在方程 f ( x ) = 0 f(x)=0 f(x)=0 的单根附近具有平方收敛,而且该法还可以用来求方程的重根、复根,此时线性收敛,但是可通过一些方法变成超线 性收㪉。另外该方法广泛用于计算机编程中。 2 牛顿法原理设 r r r 是 f ( x ) = 0 f(x)=0 f(x)=0 的根,选取 x 0 x_{0} x0 作为 r r r 的初始近似值,过点 ( x 0 , f ( x 0 ) ) \left(x_{0}, f\left(x_{0}\right)\right) (x0,f(x0)) 做曲线 y = f ( x ) y=f(x) y=f(x) 的切线 L L L , L : y = f ( x 0 ) + f ′ ( x 0 ) ( x − x 0 ) L: y=f\left(x_{0}\right)+f^{\prime}\left(x_{0}\right)\left(x-x_{0}\right) L:y=f(x0)+f′(x0)(x−x0) ,则 L L L 与 x x x 轴交点的横坐标 x 1 = x 0 − f ( x 0 ) f ′ ( x 0 ) x_{1}=x_{0}-\frac{f\left(x_{0}\right)}{f^{\prime}\left(x_{0}\right)} x1=x0−f′(x0)f(x0) ,称 x 1 x_{1} x1 为 r r r 的一次近似值。过点 ( x 1 , f ( x 1 ) ) \left(x_{1}, f\left(x_{1}\right)\right) (x1,f(x1)) 做曲线 y = f ( x ) y=f(x) y=f(x) 的切线,并求该切线与 × \times × 轴交点的横坐标 x 2 = x 1 − f ( x 1 ) f ′ ( x 1 ) x_{2}=x_{1}-\frac{f\left(x_{1}\right)}{f^{\prime}\left(x_{1}\right)} x2=x1−f′(x1)f(x1) ,称 x 2 x_{2} x2 为 r \mathrm{r} r 的二次近似值。重曷 以上过程,得 r r r 的近似值序列,其中, x n + 1 = x n − f ( x n ) f ′ ( x n ) x_{n+1}=x_{n}-\frac{f\left(x_{n}\right)}{f^{\prime}\left(x_{n}\right)} xn+1=xn−f′(xn)f(xn) 称为 r r r 的 n + 1 n+1 n+1 次近似值,上式称为牛顿迭代公式。 用牛顿迭代法解非线性方程,是把非线性方程 f ( x ) = 0 f(x)=0 f(x)=0 线性化的一种近似方法。把 f ( x ) f(x) f(x) 在点 x 0 x_{0} x0 的桌邻域内展开成泰勒 级数 f ( x ) = f ( x 0 ) + f ′ ( x 0 ) ( x − x 0 ) + f ′ ′ ( x 0 ) ( x − x 0 ) 2 2 ! + ⋯ + f ( n ) ( x 0 ) ( x − x 0 ) n n ! + R n ( x ) f(x)=f\left(x_{0}\right)+f^{\prime}\left(x_{0}\right)\left(x-x_{0}\right)+\frac{f^{\prime \prime}\left(x_{0}\right)\left(x-x_{0}\right)^{2}}{2 !}+\cdots+\frac{f^{(n)}\left(x_{0}\right)\left(x-x_{0}\right)^{n}}{n !}+R_{n}(x) f(x)=f(x0)+f′(x0)(x−x0)+2!f′′(x0)(x−x0)2+⋯+n!f(n)(x0)(x−x0)n+Rn(x) ,取其线性部分 (即泰勒展开的前两项),并令其等于 0 ,即 f ( x 0 ) + f ′ ( x 0 ) ( x − x 0 ) = 0 f\left(x_{0}\right)+f^{\prime}\left(x_{0}\right)\left(x-x_{0}\right)=0 f(x0)+f′(x0)(x−x0)=0 ,以此作为非线性方程 f ( x ) = 0 f(x)=0 f(x)=0 的近似方程, 若 f ′ ( x 0 ) ≠ 0 f^{\prime}\left(x_{0}\right) \neq 0 f′(x0)=0 ,则其解为 x 1 = x 0 − f ( x 0 ) f ′ ( x 0 ) x_{1}=x_{0}-\frac{f\left(x_{0}\right)}{f^{\prime}\left(x_{0}\right)} x1=x0−f′(x0)f(x0) ,这样,得到牛顿迭代法的一个朱代关系式: x n + 1 = x n − f ( x n ) f ′ ( x n ) x_{n+1}=x_{n}-\frac{f\left(x_{n}\right)}{f^{\prime}\left(x_{n}\right)} xn+1=xn−f′(xn)f(xn) 。 已经证明,如果是连续的,并且待求的零点是孤立的,那么在零点周围存在一个区域,只要初始值位于这个邻近区域内,那 么牛顿法必定收敛。并且,如果不为 0 , 那么牛顿法将具有平方收敛的性能. 粗略的说,这意味着每造代一次,牛顿法结果的有效 数字将增加一倍。 3 牛顿法推导
下面用Matlab代码求解上面的示例。 clear;clc; % 定义原函数 syms xx yy fy(xx,yy) = 0.5 * xx^2 + 2 * yy^2; % 确定迭代次数 n = 10 % 确定初始点 x0 = 1 y0 = 1 % 求初始点函数值 fy(x0,y0) % 求函数梯度 xf = -5:0.2:5; yf = xf'; ff = 0.5 * xf.^2 + 2 * yf.^2; surf(xf,yf,ff) xlabel('x') ylabel('y') zlabel('z') view([119.1 40.8]) [fx,fy] = gradient(ff,0.2); % 提取点初始点处的梯度值 t = (xf == x0) & (yf == y0); indt = find(t); f_grad = [fx(indt) fy(indt)] % 求海森矩阵 syms x y f(x,y) = 0.5 * x^2 + 2 * y^2; H = hessian(f,[x,y]) % 迭代 for i=1:n % 判断是否可以跳出(如果梯度向量都接近0,就跳出) b = 0; for j = 1:length(f_grad) if f_grad(j) > 0.000001 b = 1; break end end if b==0 break end % 确定下降方向 d = -inv(H)*(f_grad)'; dk = d(x0,y0); % 确定步长,牛顿法步长为1 a = 1; % 获取下一状态的点 newX = [x0,y0] + dk' .* a x0 = newX(1); y0 = newX(2); % 更新梯度信息 t = (xf == x0) & (yf == y0); indt = find(t); f_grad = [fx(indt) fy(indt)]; end
最近有朋友向我反应代码运行会报错,具体报错内容如下: |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |