赵建强课程设计.docVIP

实验的题目和要求 所属课程名称： 最优化理论 实验日期： 2011年10月10日~2011年12月1日 实验目的 共轭梯度法的算法思想，并能上机编程实现相应的算法。 二、实验要求 用MATLAB实现最速下降法，牛顿法和共轭梯度法求解实例。 实验原理 共轭梯度法是一种改进的最速下降法，介于最速下降法与牛顿法之间。共轭 梯度法是求解系数矩阵对称正定的线性代数方程组的有力工具。它利用目标函 数的梯度逐步产生共轭方向并将其作为搜索方向的方法，收敛速度快。目前， 它不仅是解决大型线性方程组最有用的方法之一，也是解大型非线性最优化最 有效的算法之一。 通常，在共轭梯度方向法中，如果取初始的搜索方向，各共轭方向由第k 次 迭代点的负梯度与已经得到的共轭方向的线性组合来确定，这样就构造了一种 具体的共轭方向法。因为每一个共轭方向都依赖于迭代点处的负梯度，所以称 之为共轭梯度法。 共轭梯度法有较快的收敛速度，而且具有二次终止性等优点。利用逐次产生 共轭方向的非线性共轭梯度，不但避免了存储量大的弊端，还可以用来求解二 次函数的极小化问题，因而广泛地应用于实际问题中。 五．运行及结果如下: 最速下降法： 题目：f=(x-2)^2+(y-4)^2 M文件： function [R,n]=steel(x0,y0,eps) syms x; syms y; f=(x-2)^2+(y-4)^2; v=[x,y]; j=jacobian(f,v); T=[subs(j(1),x,x0),subs(j(2),y,y0)]; temp=sqrt((T(1))^2+(T(2))^2); x1=x0;y1=y0; n=0; syms kk; while (tempeps) d=-T; f1=x1+kk*d(1);f2=y1+kk*d(2); fT=[subs(j(1),x,f1),subs(j(2),y,f2)]; fun=sqrt((fT(1))^2+(fT(2))^2); Mini=Gold(fun,0,1,0.00001); x0=x1+Mini*d(1);y0=y1+Mini*d(2); T=[subs(j(1),x,x0),subs(j(2),y,y0)]; temp=sqrt((T(1))^2+(T(2))^2); x1=x0;y1=y0; n=n+1; end R=[x0,y0] 调用黄金分割法： M文件： function Mini=Gold(f,a0,b0,eps) syms x;format long; syms kk; u=a0+0.382*(b0-a0); v=a0+0.618*(b0-a0); k=0; a=a0;b=b0; array(k+1,1)=a;array(k+1,2)=b; while((b-a)/(b0-a0)=eps) Fu=subs(f,kk,u); Fv=subs(f,kk,v); if(Fu=Fv) b=v; v=u; u=a+0.382*(b-a); k=k+1; elseif(FuFv) a=u; u=v; v=a+0.618*(b-a); k=k+1; end array(k+1,1)=a;array(k+1,2)=b; end Mini=(a+b)/2; 输入： [R,n]=steel(0,1,0.0001) R = 1.99999413667642 3.99999120501463 R = 1.99999413667642 3.99999120501463 n = 1 牛顿法： 题目：f=(x-2)^2+(y-4)^2 M文件： syms x1 x2; f=(x1-2)^2+(x2-4)^2； v=[x1,x2]; df=jacobian(f,v); df=df.; G=jacobian(df,v); epson=1e-12;x0=[0,0];g1=subs(df,{x1,x2},{x0(1,1),x0(2,1)});G1=subs(G,{x1,x2},{x0(1,1),x0(2,1)});k=0;mul_count=0;sum_count=0; mul_count=mul_count+12;sum_count=sum_count+6; while(norm(g1)epson) p=-G1\g1; x0=x0+p; g1=subs