5.1区间分割法.ppt

问题描述 进退法（寻找下单峰区间） 算法 进退法 黄金分割法 算法3.2 黄金分割法 算法3.2 黄金分割法 例3.2（黄金分割法） Fibonacci法 Fibonacci法的计算步骤 Fibonacci法的计算步骤（续） 例3.1（Fibonacci法） 黄金分割法和Fibonacci法之间的关系 Fibonacci方法与黄金分割法对比 二分法 抛物线法 Wolfe原则 Goldstein方法 Armijo方法 第二次迭代： 缩短后区间为 第三次迭代： 缩短后区间为 第四次迭代： 缩短后区间为 第五次迭代： 取最优解 0.618法为Fibonacci法的极限形式 若同样计算n次函数值，则Fibonacci法的区间压缩比优于0.618法,但它又不如多计算一次函数值的0.618法. Fibonacci法的优点 在计算相同函数值次数的情况下，区间压缩比略好于黄金分割法． Fibonacci法的缺点 搜索前先要计算搜索的步数. 结论 解决实际问题时，一般采用黄金分割法. 若 的导数存在且容易计算， 则线性搜索 的速度可以得到提高． 下面的二分法每次将 区间缩小至原来的二分之一． 设 为下单峰函数， 若 在 内 具有连续的一阶导数， 且 取 若 则 为极小点； 若 则以 代替 若 则以 代替 § 5.2 函数逼近法 求非线性方程根的所有数值方法皆可利用，如牛顿法、割线法、抛物线法等 在求一元函数的极小点问题上， 我们可以用 若干点处的函数值来构造一个多项式， 用这个 多项式的极小点作为原来函数极小点的近似值． 抛物线法就是一个用二次函数来逼近 的方法， 这也是我们常说的二次插值法． 设在已知的三点 处对应的函数值 且满足 过三点 作二次函数 即作一条抛物线， 则可推导出： 为求 的极小点， 令 得： 第五章　 一　维　搜　索 已知 并且求出了 处的可行下降方向 从 出发， 沿方向 求目标函数的最优解， 或者选取 使得： 设其最优解为 （叫精确步长因子）， 所以一维搜索是求解一元函数 的最优化问 题（也叫一维最优化问题）。 我们来求解： 于是得到一个新点： 一般地，一维搜索算法分成两个阶段： 第一阶段确定包含理想的步长因子 （或问题最优解）的搜索区间； 第二阶段采用某种分割技术或 插值方法缩小这个区间。 在搜索之前 ，必须先知道一个 单峰区间。 的下 我们将求出 的一个形如 形式的下单峰区间。 我们的目的是找出三个点 使得： 给定初始点 初始步长 下面分两种情况讨论： 此时 我们加大步长向右搜索， 若 （１） 取值小， 取 则我们要找的区间即为 （１） 若 继续往下判断，直到满足 则我们取的步长偏小。 令 此时 我们缩小步长向左搜索， 若 （２） 取值大， 取 则我们要找的区间即为 否则继续缩小区间，直到满足 Step1 给定初始点 初始步长 计算 转Step２ Step2 计算 若 则转 Step３； 否则 转Step５。 Step3 令 计算 若 则得区间 为初始区间，停； 若 则转 Step4。 Step4 Step5 令 令 转 Step３。 转 Step6。 Step6 令 计算 若 则得区间 为初始区间，停； 若 则转 Step5。 § 5.1 区间分割法 设 在 上为下单峰函数， 即有唯一 的极小点 在 左边 严格下降， 在 右边 严格上升。 在 内任取 若 则 若 则 若第一次选取的试点为 则下一步保留 的区间为 或 两者的机会是均等的． 因此我们选取试点时希望 设 则 另外，我们希望如果缩小的区间包含原来的 我们希望原来的 试点，则该试点在下一步被利用．若保留的区 间为 前一次的试点 在这个区间内． 在缩小的区间内成为 新的 我们根据这条件来计算 计算 的公式为： 因此我们希望： 即： 化简得： 若保留区间为 我们得到的结果是 一致的． 该方法称为黄金分割法，实际计算取： 所以黄金分割法又称为0.618法． 黄金分割法每次缩小区间的比例是一致的， 每次将区间长度缩小到原来的0.618倍． Step1 给定 以及 令 Step2 Step3 转Step２. 令 转Step３. 若 则 停； 否则 转Step４. Step4 若 则 转Step3. Step4 若 则 转Step3. 若 则 转Step3. 迭代n次后，最终的小区间长度为0.618n-1(b-a),每次区间的压缩比为0.618 用黄金分割法求函数 在区间 上的极小点。 要求最终区间长度不大于 原始区间长度的0.08倍． 解： 函数 在区间 上为下单峰函数， 第一次迭代： 缩短后区间为 第二次迭代： 缩短后区间为 是 1.757 1.751 0.580 0.528 ６ 否 1.751 1.753 0.528 0.443 ５