最优化方法03-2总结.pptVIP

§3.4共轭方向法和共轭梯度法 共轭方向法的思路 定义 3.4.1设n维向量组p1,···,pk线性无关, x(0)∈Rn, 称向量集合 为由点x(0)与p1,p2,···,pk 生成的k维超平面. 超平面上极小点的判断 引理 3.4.1 设f (x)为连续可微的严格凸函数,又 p1,p2,···,pk为一组线性无关的n维向量, x1∈Rn ,则 是f(x)在x1与p1,p2,···,pk所生成的k维超平面Hk上唯一极小点的充分必要条件是 共轭方向法(用于二次函数) 已知k个点与k个方向之后,令xk+1=xk+ak pk,进行精确一维搜索,确定xk+1,再确定pk+1. 共轭向量 共轭方向法(用于二次函数) 注:在前面讨论思路时,根据方向的共轭性(正交性)得到xk+1是目标函数在k维超平面上的极小点(后面的定理3.4.3给出严格证明). 根据上一页的推导,根据极小点可以推出共轭性(正交性),即若一种迭代方法每次求出的是二次函数在k维超平面上的极小点,则对应的方向是共轭的. 基本概念 二次终止性 如果一个算法经过有限次迭代就得到正定二次函数的极小点,称该算法具有二次终止性. 共轭方向法 是一种迭代方法,每次所取方向与前面的方向关于G共轭,然后进行精确一维搜索确定步长及下一步的迭代点. 共轭方向的性质 定理3.4.1设G为n阶正定矩阵,非零向量组 p1,p2,···,pk关于G共轭,则此向量组线性无关. 共轭方向的性质 共轭方向法(用于二次函数) 定理 3.4.2 设G是n阶正定阵,向量组p1,p2,···,pk关于G共轭,对正定二次函数f(x)=xTGx/2+bTx+c 由任意初始点x1开始,依次进行k次一维搜索,xi+1=xi+aipi(i=1,2,···,k) 则(i)gTk+1pi=0 (i=1,2,···,k). (ii)xk+1是二次函数在k维超平面Hk上的极小点. 推论 当k =n时,xn+1为二次函数在Rn上的极小点. 共轭方向法(用于二次函数) 证明要点:只要证明gTk+1pi=0. 共轭梯度法(共轭方向的形成) 共轭梯度法(共轭方向的形成) 共轭梯度法(共轭方向的形成) 再根据二次函数的性质,有 共轭梯度法(共轭方向的形成) 共轭梯度法(用于二次函数) FR算法 (2)Polak-Ribiere-Polyak公式 共轭梯度法算例 例3.4.1 用FR共轭梯度法求解(x0=(0,0)T) 从x1出发,沿p1作一维搜索,求 共轭梯度法算例 共轭梯度法算例 FR方法计算结果 从最后两组数据可以看出,虽然函数值下降,但是迭代点离最优点的距离却有所增加. 对于PRP算法,计算过程类似. 计算15步收敛, x*≈(1,1)T 对于此例,PRP方法比FR方法收敛快. 计算结果见下表. PRP方法计算结果 重新开始的共轭梯度法 对于FR算法和PRP算法,如果初始方向不取负梯度方向,即使对于二次函数,也不能产生n个共轭方向. 因此,在用这两个方法时,如果迭代到距离最优点比较近,函数接近与一个二次函数时,我们重新取搜索方向为负梯度方向. 一般在实际应用中迭代n步或n+1步时重新设定搜索方向为负梯度方向. 重新开始的共轭梯度法 对于前面的例子,采用重新开始的共轭梯度法得到的收敛步数为: FR算法: 迭代n步重新开始,49步收敛 迭代n+1步重新开始,31步收敛 PRP算法: 迭代n步重新开始,27步收敛 迭代n+1步重新开始,13步收敛 由于此处n比较小,改善并不明显. 共轭方向法是介于最速下降法和Newton法 之间的一种方法，它克服了最速下降法的锯齿现象，从而提高了收敛速度；它的迭代公式也比较简单，不必计算目标函数的二阶导数，与Newton法相比，减少了计算量和存储量。它是比较实用而有效的最优化方法。 共轭方向法涉及共轭方向的概念和性质。 共轭方向的概念是在研究正定二次函数 本节和下节所介绍的方法有一个共同的特点，即首先以上式为目标函数给出有关的 算法，然后再把算法用到更一般的目标函 数上。 本节内容对今后许多章节起着基础的作用。 时产生的。 我们希望x(k)是k维超平面的极小点,于是x(n)是n维超平面(即整个Rn空间)的极小点. 若k=1,上述集合表示以p1为方向向量,且过点x(0)的一条直线. 注:若k=n,易推出在xk+1的梯度为零向量.因此,这一引理是一常用定理(极小点梯度为0)的推广. 对于正定二次函数,确定pk的准则是希望 xk+1是目标函数在k维超平面上的极小点. xn+1就是目标函数在整个空间的极小点. 给定一个初始点x1,给出一个下降