无约束最优化方法 |
您所在的位置:网站首页 › 无约束优化例题 › 无约束最优化方法 |
文章目录
最速下降法Newton法共轭梯度法变尺度法
无约束最优化问题 m i n f ( x ) f : R n − > R ( 1 ) 求 解 ( 1 ) , 就 是 找 到 R n 中 的 一 点 x ∗ , 使 得 ∀ x ∈ R n , 均 有 f ( x ∗ ) ≤ f ( x ) , 称 x ∗ 为 ( 1 ) 的 全 局 极 小 点 。 minf(x) \qquad f:R^n->R \qquad (1) \quad \quad \\\quad \quad \newline 求解(1),就是找到R^n中的一点x^*,使得∀x∈R^n,\quad \quad \\\quad \quad \newline 均有f(x^*)≤f(x),称x^*为(1)的全局极小点。 \newline minf(x)f:Rn−>R(1)求解(1),就是找到Rn中的一点x∗,使得∀x∈Rn,均有f(x∗)≤f(x),称x∗为(1)的全局极小点。 最速下降法 收敛性定理:设f连续可微,水平集L={x | f(x) ≤ f(x^ 1)},则最速下降法或者在有限步迭代后终止,或者得到点列{x^k},其任何聚点都是f的驻点。在收敛定理的假设下,若f 为凸函数,则最速下降法或在 有限迭代步后达到极小点,或得到点列 其任何聚点都是 f 的极小点最速下降法的两个特征 相邻两次迭代的搜索方向互相正交 (锯齿现象)对二元正定二次函数,用最速下降法产生的点列:偶数点列均在一条直线上,奇数点列也均在一条直线上,且都过最优点最速下降法的改进: 选择不同初始点采用不精确的一维搜索:采用非精确一维搜索求步长, 可使相邻两个迭代点处的梯度不正交,从而改变收敛性采用加速梯度法:由于最速下降法在极小值点附近成锯齿状,因此下降过程中搜索方向可取 d k = x k − x k − 2 d^k = x^k-x^{k-2} dk=xk−xk−2 下两步继续用最速下降法,即负梯度方向 Newton法步骤3中的搜房方向,可通过求解下列方程组得到 ▽ 2 f ( x k ) d k + ▽ f ( x k ) = 0 ▽^2f(x^k)d^k+▽f(x^k)=0 ▽2f(xk)dk+▽f(xk)=0 当 f 为正定二次函数时,用Newton法从任意初始点可一步 迭代达到极小点。二次收敛性:从任意初始点出发,经有限次迭代总可以达到正定二次函 数的极小点,称这样的算法具有二次收敛性Newton法的优点 当初始点离极小点很近时,算法收敛速度快算法简单,不需要进行一维搜索对正定二次函数,迭代一次就可得到极小点Newton法的缺点 对多数问题算法不具有全局收敛性每次迭代都要计算Hesse矩阵,计算量大 每 次 迭 代 都 要 计 算 ( ▽ 2 f ( x k ) ) − 1 或 求 解 方 程 组 ▽ 2 f ( x k ) d + ▽ f ( x k ) = 0 每次迭代都要计算(▽^2f(x^k))^{-1} \\ \quad \newline 或求解方程组▽^2f(x^k)d+▽f(x^k)=0 每次迭代都要计算(▽2f(xk))−1或求解方程组▽2f(xk)d+▽f(xk)=0( ▽ 2 f ( x k ) ) − 1 可 能 不 存 在 方 程 组 是 奇 异 的 , 病 态 的 ▽ 2 f ( x k ) 非 正 定 , d k 可 能 不 是 下 降 方 向 (▽^2f(x^k))^{-1}可能不存在 \\ \quad \newline方程组是奇异的,病态的 \\ \quad \newline ▽^2f(x^k)非正定,d^k可能不是下降方向 (▽2f(xk))−1可能不存在方程组是奇异的,病态的▽2f(xk)非正定,dk可能不是下降方向 收敛于鞍点或极大点的可能性并不小Newton法的改进 针对缺点(1) 对多数算法不具有全局收敛性,和 (4) 收敛于鞍点或极大点的可能性并不小,步长不取固定值1,而是采用精确一维搜索找最佳步长λk,这就是阻尼牛顿法 m i n f ( x k + λ d k ) minf(x^k+λd^k) minf(xk+λdk) Newton法的近一步改进 针对缺点(2)每次计算Hesse矩阵 共轭梯度法
共轭方向的性质 共轭方向法步骤
FR共轭梯度法 a k = ∣ ∣ g k + 1 ∣ ∣ 2 ∣ ∣ g k ∣ ∣ 2 a_k=\frac{||g_{k+1}||^2}{||g_k||^2} ak=∣∣gk∣∣2∣∣gk+1∣∣2 FR共轭梯度法的计算步骤 变尺度法 牛顿法和阻尼牛顿法收敛速度很快,但需要计算Hesse矩阵的逆,计算量大 为减少计算量,用一个n阶对称正定矩阵Hk近似代替Hesse矩阵的逆,搜索方向为pk = -Hkgk,由此产生的方法称为变尺度法,Hk为尺度矩阵,这是一种拟牛顿法 变尺度法的计算步骤 构造Hk的原则 拟牛顿性质二次收敛性稳定性 Hk的构造策略 H1为任意一个n阶对称正定矩阵,通常选取n阶单位矩阵I然后通过修正Hk,给出Hk+1 H k + 1 = H k + △ H k H_{k+1} = H_k+△H_k Hk+1=Hk+△Hk 构造不同的Hk,也就是构造不同的修正矩阵△Hk,得到不同的变尺度法DFP算法 DFP算法构造的Hk:对称正定满足拟牛顿性质 H k + 1 △ g k = △ x k H k + 1 = H k + α k u k ( u k ) T + β k v k ( v k ) T α k 、 β k 是 常 数 , u k 、 v k 是 n 维 列 向 量 , H 1 是 对 称 正 定 的 矩 阵 H k + 1 满 足 拟 牛 顿 性 质 , H k + 1 △ g k = △ x k α k u k ( u k ) T △ g k + β k v k ( v k ) T △ g k = △ x k − H k △ g k u k = △ x k , v k = H k △ g k 令 α k = 1 ( △ x k ) T △ g k , β k = − 1 ( △ g k ) T H k △ g k H_{k+1}△g_k = △x_k \\ \\ \quad \quad \newline H_{k+1} = H_k +α_ku^k(u^k)^T+β_kv^k(v^k)^T \\ \\\quad \quad \newline α_k、β_k是常数,u^k、v^k是n维列向量,H_1是对称正定的矩阵 \\ \\\quad \quad \newline H_{k+1}满足拟牛顿性质,H_{k+1}△g_k=△x_k \\ \\\quad \quad \newline α_ku^k(u^k)^T△g_k +β_kv^k(v^k)^T△g_k=△x_k-H_k△g_k\\ \\\quad \quad \newline u^k=△x_k,v^k=H_k△g_k\\ \\\quad \quad \newline 令α_k = \frac{1}{(△x_k)^T△g_k},β_k=-\frac{1}{(△g_k)^TH_k△g_k} Hk+1△gk=△xkHk+1=Hk+αkuk(uk)T+βkvk(vk)Tαk、βk是常数,uk、vk是n维列向量,H1是对称正定的矩阵Hk+1满足拟牛顿性质,Hk+1△gk=△xkαkuk(uk)T△gk+βkvk(vk)T△gk=△xk−Hk△gkuk=△xk,vk=Hk△gk令αk=(△xk)T△gk1,βk=−(△gk)THk△gk1
DFP算法的计算步骤
|
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 |