改进的黄金分割法.docVIP

实 验 报 告 实验项目名称 改进的黄金分割法 所属课程名称 最优化 实 验 类 型 算法编程 实 验 日 期 2015年12月25日 班 级 学 号 姓 名 成 绩 一、实验概述： 【实验目的】 1：了解黄金分割法所存在的缺点并对它进行改进。 3：熟悉应用Matlab求解无约束最优化问题的编程方法. 【实验原理】 黄金分割法的基本思想是：通过取试探点和进行函数值的比较,使包含极小点的搜索区 间不断缩短,当区间长度缩短到一定程度时,区间上各点的函数值均接近极小值,从而各点可 以看作为极小点的近似；也即是，依照“去坏留好”原则，对称原则，以及等比收缩原则来逐 步缩小搜索范围。 当函数是凸函数时，我们可以利用函数的凸性,得到函数值的上界和下界，进而利用这 些信息，缩短函数不确定区间，达到优化算法的效果。 很多人认为黄金分割法是搜索速度最快的方法，从程序编写角度来说，黄金分割法每次 只需要插入一个点，每次只需要计算一次函数值，易于理解。就对区间缩短率来讲，黄金分 割法的缩短率是 0.618，舍弃的区间是 0.382。但是，如果一个函数是凸函数，根据已知的函数值，可以找到它的最大值和最小值，这 些信息有利于得到最优解的位置，进而大大缩减不确定区间。 假设 f (x) 是定义在区间 S 上的连续的，单变量可微的凸函数，给点初始不确定区间[l,u] 。下面介绍两种利用函数的凸性优化黄金分割的方法。利用凸函数的一阶特征改进算法。 通过凸函数的一阶特征，定理 1.3.11[5]：设 S ? R n 为非空开凸集， f 是定义在 S 上的 可微函数，则 f 为凸函数的充分必要条件是： f ( y) ≥ f (x) + ?f (x)T ( y ? x),?x, y ∈ S （1） 证明：必要性 设 f 是凸函数，于是对所有α ，0 ≤ α ≤ 1，有 f (αy + (1 ? α )x ≤ αf ( y) + (1 ? α ) f (x) 因此，对于 0 α ≤ 1， f (x + α ( y ? x)) ? f (x) ≤ f ( y) ? f (x) α 令α → 0 ，得 ?f (x)T ( y ? x) ≤ f ( y) ? f (x) 充分性假设（1）成立，任取 x1 , x2 ∈ S ， 0 ≤ α ≤ 1。令 x = αx1 + (1?α)x2 ，我们有 f (x1 ) ≥ f (x) + ?f (x)T (x1 ? x) , f (x2 ) ≥ f (x) + ?f (x)T (x2 ? x) 于是得到： αf (x1 ) + (1 ? α ) f (x2 ) ≥ f (x) + ?f (x)T [αx1 + (1 ? α )x2 ? x] = f (αx1 + (1 ? α )x2 ) 所以 f (x) 是凸函数。这个定理表明了根据局部导数的线性近似是函数的低估，即凸函数图形位于图形上任一 点切线的上方。 根据这个定理，所以函数的最小值一定在切线的上方。利用凸函数的一阶特征以及已知 的最小函数值就可以确定不确定区间。函数两个端点处的切线和最小函数值的交点，即为缩 小的不确定区间。 【实验环境】 Windows xp,matlab 2007 二、实验内容： 【实验方案】 该算法的基本思想是：已知函数 f (x) 在区间端点 l,u 两点的函数值 f (l), f (u) ，并比 较两点函数值的大小，如果 f (l) ≤ f (u) ，最小值点为 x = u ? 0.618(u ? l) 。否则，就取 x = l + 0.618(u ? l) ，并给该点的函数赋值 f (x) ；下一步求出函数在 l,u 两点处的切线函 数；最小函数 f (x) 与两切线的交点 l ′,u′ ，即是新的迭代区间[l,u] 。由定理 1.3.11，我们知 道函数值一定在切线的上方，所以最小值也在新的迭代区间内，如图 1 所示： 【实验过程】（实验步骤、记录、数据、分析） Step0: 确定，l,u。 Step1；函数在 l,u 两点处赋值 f (l), f (u) ； Step2: 比较 f (l), f (u) 两点函数值的大小，如果 f (l) ≤ f (u) ， x = u ? 0.618(u ? l) ， 否则： x = l +