首页 > 其他 > 详细

最速下降法与Newton法

时间:2014-04-02 09:26:39      阅读:656      评论:0      收藏:0      [点我收藏+]


一个简单的最优化问题如下:

bubuko.com,布布扣

在二维空间上寻找函数的最大值。

 

一般我们常见的解析法,是求导,得极值点。这里不再讨论。

很多情况下解析法很难求解,常会用到一种迭代慢慢逼近的方法,就是迭代法。如下图。

bubuko.com,布布扣

迭代法由一个基本的可行点出发,依次产生一个可行点列,x1,x2,…,xk,f(xk+1)<f(xk),并且使得某个xk恰好是问题的一个最优解。

迭代法基本步骤如下:

1.      一个初始的位置x0;

2.      一个迭代搜索的方向p

3.      一个前进的步长a.

 

最速下降法

一个很自然的问题,关于目标函数f(x),我们要选择哪个方向才能够下降最快呢?

由Taylor公式有:

bubuko.com,布布扣

其中a表示步长,p表示方向。

当a一定时,p取-g(x)方向,能够使得f(x+ap)最小,也就是当前下降最快,即

为最速下降方向。

如果做精确的搜索,那么我们可以求得一个精确的步长:

 bubuko.com,布布扣

不过精确搜索计算量过大,一般不采用这种方法,而是任意指定一个可行的步长。

 

关于收敛性:

经证明,最速下降法是整体收敛的,且为线性收敛,收敛速度较慢。

用matlab求解Y=X^2-3X+1,如下:

clear;
clc;
X=-1:0.1:3;
Y=X.*X-3*X+1;
e=0.0001;
a=0.5;
e_temp=1;
x=-1;
count=0;
while(e_temp>e)
    p=2*x-3;
    x_temp=x;
    x=x-a*p;
    e_temp=x-x_temp;
    count=count+1;
end
minY=x*x-3*x+1
minX=x
count
plot(X,Y);

图:

bubuko.com,布布扣

结果为:

minY =

  -1.2500

minX =

   1.5000

迭代次数:2

 

Newton法

最速下降法以线性的Taylor展开得出下降方向,本质使用线性函数假设目标函数。我们想要达到更快的收敛,需要考虑对目标函数的高维逼近。

我们把f(x)看做关于xk的一个二维函数,然后用解析法求出二维函数的精确最小值,得到xk+1。

首先,f(x)在xk处Taylor展开,只保留到二次:

bubuko.com,布布扣

我们用解析法直接求解,得到近似值:

bubuko.com,布布扣


如果f(x)是二次函数,那么Newton法一次就能得到最优值。

收敛性:

只有当初始点x0充分接近极小点时,才能保证收敛,否则直接扔掉二次以后的Taylor项,会导致局部收敛,而且每次迭代都要计算G,如果G是奇异的,还不能得到解。

Newton是二次收敛的,是其最大优势。

 

Matlab求解Y=X^3+10X^2+1,如下:

clear;
clc;
X=-1:0.1:3;
Y=X.*X.*X+10*X.*X+1;
e=0.0001;
e_temp=1;
x=-1;
while(e_temp>e)
    G=6*x+20;
    p=(3*x*x+20*x)/(G);
    x_temp=x;
    x=x-p;
    e_temp=x-x_temp;
end
minY=x*x-3*x+1
minX=x
plot(X,Y);

图:

bubuko.com,布布扣

结果:

minY =

   0.9806

minX =

0.0065

迭代次数:2

 

对于Newton的缺点,改进的有相应的阻尼Newton等等方法。

最速下降法与Newton法,布布扣,bubuko.com

最速下降法与Newton法

原文:http://blog.csdn.net/ice110956/article/details/22735535

(0)
(0)
   
举报
评论 一句话评论(0
关于我们 - 联系我们 - 留言反馈 - 联系我们:wmxa8@hotmail.com
© 2014 bubuko.com 版权所有
打开技术之扣,分享程序人生!