分子建模与模拟导论13优化技术.PDF

分子建模与模拟导论 王延颋 2012 年12 月29 日 13. 优化技术 13.1. 寻找局部最小值 13.1.1. 最陡下降法（Steepest Decent Method ） 优化时每次都沿着下降最快的方向 （即梯度方向）行走。设待优化函数为V rN  ，梯 度方向为g r N  F r N  V r N  。一维情况下做一次梯度计算就可以找到局部最 N r 小值。对于多维情形，每一步沿着梯度下降方向走 ：  k N N N N N r r  V r  r  g r  (13.1) k 1 k k k k k 1 k 选择 使得 点的梯度与 点垂直：  k d N T d N N V r  V r   r gr  g r  0 (13.2) k 1 k 1 k 1 k 1 k d d k k 算法流程： 1 最陡下降法的优点是远离极值点时收敛很快，缺点是到极值点附近收敛很困难。 13.1.2. 共轭梯度法（Conjugate Gradient Method ） 每一次调整方向为两步梯度的矢量叠加，从而使得在极值点附近能较快且稳定地收敛。 缺点在于在远离极值点处相对于最陡下降法收敛较慢。算法流程： 13.1.3. Newton-Raphson 方法 V 每一步用一个二次方程对给定函数 作近似，然后移动至此二次方程的极小值。待优 化函数近似为 N N N N T 1 N N T N N V r  V r  r  r  g  r  r  H  r  r (13.3)    k   k  k 2  k  k  k  其中gk V rkN ，Hessian 矩阵 2  2 2 2   V  V  V