最优化理论_第4章_4_无约束优化_共轭梯度法-拟牛顿法讲述.pptVIP

拟牛顿法 牛顿法成功的关键在于利用了Hesse矩阵提供的曲率信息，而计算Hesse矩阵工作量大，并且有的目标函数的Hesse矩阵很难计算，甚至不好求出，这就导致仅利用目标函数一阶导数的方法。 什么是拟牛顿法 牛顿法的迭代公式为 记 则 上式称为拟牛顿条件(方程)，也称为割线方程. 怎样确定满足这个条件的H k+1 ? 对称秩1校正 ?Hk称为校正矩阵.确定?Hk的一个方法是令 (2) (3) 从而 (4) 利用(2),(4-5),(1)可写成 (5) (6) ---秩1校正公式 利用秩1校正极小化函数f(x),在第k次迭代中,令 搜索方向 (7) 确定后继点 DFP校正是第一个拟牛顿校正，是1959年由Davidon提出的，后来由Fletcher和Powell(1963)解释和发展的.BFGS校正是目前最流行的也是最有效的拟牛顿校正，它是由Broyden,Fletcher,Goldfarb和Schanno在1970年各自独立提出的拟牛顿法。 对称秩2校正 DFP(Davidon-Fletcher-Power)公式 DFP算法 例 用DFP方法求解下列问题 初始点及初始矩阵分别为 第1次迭代 令搜索方向 得到 令 第2次迭代 令 得到 令 于是得最优解 于是得最优解 第4章 无约束非线性规划 哈尔滨工程大学 理学院 戴运桃 Email: peach0040@126.com 共轭方向法是介于最速下降法与牛顿法之间的一类方法。它仅需利用一阶导数信息，但克服了最速下降法收敛慢的缺点，又避免了存储和计算牛顿法所需要的二阶导数信息。因而简便、易实现、且十分适合大规模（稀疏）优化问题的计算，通常只经过较少的迭代次数就能获得满足所要求精度的近似解。 共轭方向法 共轭梯度法 定义1 设A是n×n对称矩阵,若Rn 中的两个方向d 1 和d2满足 (d 1)T Ad 2 =0 （1） 则称这两个方向关于A共轭,或称它们关于A正交. 则称这组方向是A共轭,或称它们为A的k个共轭方向 共轭梯度法 先讨论对于二次凸函数的共轭梯度法,考虑问题 求解方法 综上分析,在第一个搜索方向取负梯度的前提下,重复使用公式3,5-7就能伴随计算点的增加,构造出一组搜索方向. 注意,初始搜索方向选择最速下降方向十分重要, 如果选择别的方向作为初始方向,其余方向均按FR方法构造,则极小化正定二次函数时,这样构造出来的一组方向并不能保证共轭性. 注意,在FR法中,初始搜索方向必须取最速下降方向 定理 3 对于正定二次函数, 具有精确一维搜索的Fletcher-Reeves法在m?n次一维搜索后即终止,并且对所有i(1? i? m),下列关系成立: 证明: 显然m?1,下用归纳法(对i)证之. 设对某个im,这些关系均成立,我们证明对于i+1 也成立.先证2), 由迭代公式两端左乘A,再加上b,得 其中 由于 故 （3） 当ji时,根据归纳假设,式(3)等号右端各项均为0 再证1),运用 当j=i时,把 βk代入上式第一个等号的右端,立得 当ji时,由前面已经证明的结论和归纳假设,式中 第2个等号右端显然为0,因此 最后证3),易知 综上,对i+1,上述三种关系成立 定理4 对于正定二次函数,FR法中因子?i具有下述表达式 证明: FR共轭梯度法(对二次凸函数) 共轭梯度法步骤 3,如果j n,转步4,否则,转5 例 用FR法求解下列问题 令 第一次迭代， 目标函数f(x)在点x处的梯度 第2次迭代 目标函数在点x 处的梯度 (2) 构造搜索方向d .先计算因子? (2) 1 令 一般迭代格式 用于一般函数的共轭梯度法－非线性共轭梯度法 ----PRP(Polak-Ribiere-Polyar -----SW(Sorenson-Wolfe ----Daniel -----Dixon