(智能制造大作业.docxVIP

一、用最速下降法、沿直线最小化法、牛顿法、共轭梯度法求解方程组1、实验目的：了解最速下降法、沿直线最小化法、牛顿法、共轭梯度法的思路及求解过程，比较四种方法的优缺点，提高Matlab编程能力。2、实验要求：已知线性方程组，应用最速下降法、沿直线最小化法、牛顿法、共轭梯度法在Matlab软件中编程求解方程组的解。3、实验原理：3.1 最速下降法：从某个初始点 出发，沿在点处的负梯度方向求得的极小值点, 即 然后从出发，重复上面的过程得到。如此下去，得到序列{}可以证明，从任一初始点 出发， 用最速下降法所得到的序列{}均收敛于问题使最小化的解，也就是方程组的解。其收敛速度取决于，其中 ,分别为A的最小,最大特征值。最速下降法迭代格式：给定初值，按如下方法决定：3.2 共轭梯度法：其基本步骤是在点 处选取搜索方向, 使其与前一次的搜索方向 关于共轭，即：然后从点 出发，沿方向求得的极小值点 , 即：如此下去, 得到序列{}。不难求得的解为:注意到的选取不唯一，我们可取:由共轭的定义可得：共轭梯度法的计算过程如下：第一步：取初始向量, 计算第步：计算3.3 牛顿法： 牛顿法的原理是求的二次近似的驻点。求二次函数对的梯度并设它为零，则有：求解得：于是可以将牛顿法定义为：3.4 沿直线最小化法：选择学习速度的另一种方法是用使每次迭代的性能指数最小化。即选择使下式最小化：上式对的导数为：求出为：其中为在的赫森矩阵：4、方程题目：5、实验内容：5.1 沿直线最小化： %沿直线最小化法clear[x1,x2]=meshgrid([-1:0.05:1]);f=2*x1.^3+x2.^2+3*x1.*x2^2; %给定的函数contour(x1,x2,f,20); %画出函数的20条轮廓线A=[2 1;1 2];x=[0.3 -0.5] ; %迭代的初始值x(:,1)=[0.3 -0.5]; %把迭代初始值赋值给矩阵以作记录g(:,1)=[2*x(1,1)+x(2,1) x(1,1)+2*x(2,1)];%下降的方向p(:,1)=-g(:,1); %初始值a(1)=-dot(g(:,1),g(:,1))/(p(:,1)*A*p(:,1)) x(:,2)=x-a(1)*p(:,1) for i=2:5g(:,i)=[2*x(1,i)+x(2,i) x(1,i)+2*x(2,i)]; b(i)=dot(g(:,i),g(:,i))/dot(g(:,i-1),g(:,i-1)); p(:,i)=-g(:,i); a(i)=-dot(g(:,i),g(:,i))/(p(:,i)*A*p(:,i));x(:,i+1)=x(:,i)-a(:,i)*p(:,i); %记录迭代点if x(:,i)==x(:,i+1)%退出循环的条件breakend endx %打印迭代点的值hold onplot(x(1,:),x(2,:),g*,x(1,:),x(2,:)); %画出迭代收敛的轨迹title(沿直线最小化) hold off 图1 沿直线最小化法5.2 共轭梯度法：%利用梯度下降法求解轨迹路径clear[x1,x2]=meshgrid([-1:0.05:1]);f=2*x1.^3+x2.^2+3*x1.*x2^2; %给定的函数contour(x1,x2,f,20); %画出函数的20条轮廓线A=[2 1;1 2];x=[0.3 -0.5] ; %迭代的初始值x(:,1)=[0.3 -0.5]; %把迭代的初始值赋值给矩阵以作记录g(:,1)=[2*x(1,1)+x(2,1) x(1,1)+2*x(2,1)]; %下降方向p(:,1)=-g(:,1); %初始值a(1)=-dot(g(:,1),g(:,1))/(p(:,1)*A*p(:,1)) x(:,2)=x-a(1)*p(:,1) for i=2:5g(:,i)=[2*x(1,i)+x(2,i) x(1,i)+2*x(2,i)]; b(i)=dot(g(:,i),g(:,i))/dot(g(:,i-1),g(:,i-1)); p(:,i)=-g(:,i)+b(i)*p(:,i-1); a(i)=-dot(g(:,i),g(:,i))/(p(:,i)*A*p(:,i));x(:,i+1)=x(:,i)-a(:,i)*p(:,i); %记录迭代点if x(:,i)==x(:,i+1)%退出循环的条件breakend endx %打印迭代点的值hold onplot(x(1,:),x(2,:),g*,x(1,:),x(2,:)); %画出迭代点的轨迹title(共轭梯度法) hold off 图2 共轭梯度5.3 最速下降法%最速下降法clear[x1,x2]=meshgrid([-1:0.05:1]);f=