最优化学习笔记(十四)——共轭梯度法
生活随笔
收集整理的這篇文章主要介紹了
最优化学习笔记(十四)——共轭梯度法
小編覺得挺不錯(cuò)的,現(xiàn)在分享給大家,幫大家做個(gè)參考.
????共軛梯度法不需要預(yù)先給定Q共軛方向,而是隨著迭代的進(jìn)行不斷產(chǎn)生Q共軛方向。在每次的迭代中,利用上一個(gè)搜索方向和目標(biāo)函數(shù)在當(dāng)前迭代點(diǎn)的梯度向量 之間的線性組合構(gòu)造一個(gè)新的方向,使其與前邊已經(jīng)產(chǎn)生的搜索方向組成Q共軛方向。對(duì)于一個(gè)n維二次型函數(shù),沿著Q共軛方向進(jìn)行搜索,經(jīng)過n次迭代,即可得到極小點(diǎn)。
考慮二次型函數(shù):
f(x)=12xTQx?xTb,x∈Rn
其中, Q=QT>0。初始點(diǎn)x(0),搜索方向采用最速下降法的方向,即函數(shù)f在x(0)處梯度的負(fù)方向,即:
產(chǎn)生下一個(gè)迭代點(diǎn):
x(1)=x(0)+α0d(0)
其中,步長(zhǎng)為:
α0=argminα≥0f(x(0)+α0d(0))=?g(0)Td(0)d(0)TQd(0)
再展開下一次迭代,搜索方向 d(0)和 d(1)應(yīng)該是關(guān)于 Q共軛的。推廣開來,在 k+1詞迭代中:
d(k+1)=?g(k+1)+βkd(k),k=0,1,2…
按照如下方式選擇 βk, 可以使得 d(k+1)和 d(0),d(1),…,d(k)組成 Q共軛方向:
βk=g(k+1)TQd(k)d(k)TQd(k)
共軛梯度法的算法步驟可以歸納如下:
總結(jié)
以上是生活随笔為你收集整理的最优化学习笔记(十四)——共轭梯度法的全部?jī)?nèi)容,希望文章能夠幫你解決所遇到的問題。
- 上一篇: UNIX再学习 -- 标准I/O
- 下一篇: 2022年数据库云管平台白皮书