《蒙特卡罗最优化》PPT课件.ppt

运行结果： 2.应用于求解随机优化问题的蒙特卡罗方法 2.1模拟退火算法 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t， 即得到 Monte Carlo Optimization 主要内容 一、数值优化方法（Numerical optimization methods） 二、应用于求解随机优化问题的蒙特卡罗方法 （1）模拟退火算法（Simulated Annealing) （2）EM算法（The EM algorithm) 1.Numerical optimization methods in R 1.1 Root-finding in one dimension 假设f:R→R为一连续函数，则方程f(x)=c的根x,满足g(x)=f(x)-c=0.为此我们只考虑f(x)=0形式的方程求根问题。使用数值方法求此方程的根，可以选择是使用f的一阶导数还是不使用导数的方法。Newton方法或者Newton-Raphson方法是使用一阶导数的方法，而Brent的最小化算法是不使用导数的一种求根方法。 1.1.1 Bisection method(二分法） 如果f(x)在区间[a,b]上连续，以及f(a)和f(b)有相反的符号，则由中值定理知道存在acb，使得f(c)=0。二分法通过在每次迭代中简单的判断f(x)在中点x=(a+b)/2处的符号来寻求方程的根。如果f(a)和f(x)有相反的符号则区间就被[a,x]代替，否则就被[x,b]代替。在每次迭代中，包含根的区间长度减少一半。即 下面我们使用二分法求此方程的一个数值解。我们首先要找到一个区间，比如(0,5n)，使得函数 在区间两端有着不同的符号。然后即可使用二分法。 例1 解方程 其中a为常数，n2为一整数。显然，方程的解为 程序： a - 0.5 n - 20 cat(true roots,-a/(n-1)-sqrt(n-2-a^2+(a/(n-1))^2), + -a/(n-1)+sqrt(n-2-a^2+(a/(n-1))^2),\n) bisec-function(b0,b1){ f - function(y, a, n) { a^2 + y^2 + 2*a*y/(n-1) - (n-2) } it - 0 eps - .Machine$double.eps^0.25 r - seq(b0, b1, length=3) y - c(f(r[1], a, n), f(r[2], a, n), f(r[3], a, n)) if (y[1] * y[3] 0) stop(f does not have opposite sign at endpoints) while(it 1000 abs(y[2]) eps) { it - it + 1 if (y[1]*y[2] 0) { r[3] - r[2] y[3] - y[2] } else { r[1] - r[2] y[1] - y[2] } r[2] - (r[1] + r[3]) / 2 y[2] - f(r[2], a=a, n=n) print(c(r[1], y[1], y[3]-y[2])) } } bisec(0,5*n) 运行结果： true roots -4.239473 4.186841 1.1.2 Brent’s method 二分法是一种特殊的括入根算法。Brent通过逆二次插值方法将括入根方法和二分法结合起来。其使用y的二次函数来拟合x。如果三个点为(a,f(a)),(b,f(b)),(c,f(c)）,其中b为当前最好的估计，则通过Lagrange多项式插值方法（y=0)对方程的根进行估计， 在R中，函数uniroot就是应用Brent方法求解一元方程的数值根。 例2 应用uniroot求例1中的方程的根。 程序： a - 0.5 n - 20 out - uniroot(function(y) { a^2 + y^2 + 2*a*y/(n-1) - (n-2) }, lower = 0, upper = n*5) unlist(out)