共轭梯度算法分析与实现重点.doc

编号:_ 09 《最 优 化 方 法》 课 程 设 计 题 目： 共轭梯度算法分析与实现 院 系： 数学与计算科学学院 专 业： 数学与应用数学 姓名学号： 指导教师： 日 期： 2013 年 12 月 23 日 摘 要共轭梯度法是非常重要的一种。。仅需利用一阶导数信息，避免了牛顿法需要存储和计算Hesse矩阵并求逆的缺点具有二次终止性。关键词共轭梯度法 conjugate gradient method is a very important one. The conjugate gradient method is a unconstrained optimization method between the steepest descent method and Newton method, and sove the objective function for the original quadratic function problems and design for a class of algorithm. Conjugate gradient method using only first derivative information, to avoid the Newton method requires storage and computing the inverse Hesse matrix and shortcomings, this method has the quadratic termination. Keywords: Conjugate gradient method; Newton method;Unconstrained optimization 目 录 1、引 1 2、 1 2.1 无约束优化问题概述 1 2.2 共轭方向 1 2.3 共轭梯度法 2 2.4 共轭梯度算法的步骤 2 3、数值实验 3.1 代码实现 3.2 算法测试 3 3.3 结果分析 5 4、算法比较 4.1 最速下降法描述 6 4.1.1 最速下降方向 6 4.1.2 最速下降法 6 4.2 最速下降法实现 4.3 最速下降法测试 7 4.4共轭梯度法与最速下降法比较 8 5、总结 5.1 总结概括 5.2 个人感言 6、参考文献： 1、引言 共轭梯度法最早是由Hesternes和Stiefle(1952)提出来的，用于解正定系数矩阵的线性方程组，在这个基础上，Fletcher和Reeves(1964)首先提出了解非线性最优化问题的共轭梯度法。 在各种优化算法中，共轭梯度法（Conjugate Gradient）是非常重要的一种。是介于最速下降法与牛顿法之间的，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，又避免了牛顿法需要存储和计算Hesse矩阵并求逆的缺点，共轭梯度法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。共轭梯度法是一个典型的共轭方向法，它共轭方向法计算当前方向只需用到前一方向，对其他方向则无要求计算出来的当前方向自动与前面所有方向共轭，因此，不需耗费大量内存存储所有方向，也节省了计算时间。2.1 无约束优化问题概述 一个非线性规划问题的自变量x没有任何约束，或说可行域既是整个n维向量空间：，称这样的非线性规划问题为无约束问题： 或 2.2共轭方向 无约束问题最优化方法的核心问题是选择搜索方向。 以正定二次函数为例，来观察两个方向关于矩阵Ａ共轭的几何意义。 设有二次函数： f(x)?=?1/2?(x?-?x*)TA(x?-?x*)?, 其中A是n×n对称正定矩阵，x*是一个定点，函数f(x)的等值面 1/2?(x?-?x*)TA(x?-?x*)?=?c 是以x*为中心的椭球面，由于 ▽f(x*)?=?A(x?-?x*)?=?0， A正定，因此x*是f(x)的极小点。 设x(1)是在某个等值面上的一点，该等值面在点x(1)处的法向量 ▽f(x(1))?=?A(x(1)?-?x*)。 又设d(1)是这个等值面在d(1)处的一个切向量。记作 d(2)?=?x*?-?x(1)。 自然，d(1)与▽f(x(1))正交，即d(1)T▽f(x(1))?=?0，因此有 d(1)TAd(2)?=?0， 即等值面上一点处的切向量与由这一点指向极小点的向量关于A共轭。 2.3共轭梯度法 共轭梯度法是最著名的共轭方向法，它首先由Hest