无约束极值问题.pptVIP

一类是使用导数的方法，也就是根据目标函数的梯度（一阶导数）有时还要根据Hesse矩阵（即二阶导数）所提供的信息而构造出来的方法，就称为梯度方法。如：最速下降法，Newton法，共扼梯度法和变尺度法。另一类是不使用导数的方法，统称为直接方法。 前者收敛速度快，但计算复杂（一阶，二阶导数）后者不用导数，适应性强，但收敛速度慢。因此再可以求得目标函数导数信息时，尽可能用另一方法，而若求目标函数导数很困难，或者根本不存在导数时，就用后一种方法. 1 选定初始点 ，并给定精度 ，令 首先考虑二次函数的无约束极小问题 1 定义：设 为n阶正定阵，若n维方向 满足 1共轭梯度法思想： 将共轭性与最速下降方法结合，利用已知点处的梯度构造一组共轭方向，并沿此组方向进行搜索，求出极小点。 适用范围：凸函数 用FR共轭梯度法求解 1 选定初始点 ，并给定精度 ，令 （三）Newton法的缺点 同理求出最佳步长 为极小值点 §5模式搜索法（步长加速法） 模式搜索法是由Hooke和Jeeves 1961年提出的，因此又称为Hooke—Jeeves方法．其基本思想，从几何上讲，是寻找具有较小函数值的“山谷”，力图使迭代产生的序列沿“山谷”逼近极小点．算法从初始基点开始，包括两种类型的移动，这就是探测移动（exploratogy move)和模式移动(panern move)．探测移动依次沿n个坐标轴进行，用以确定新的基点和有利于函数值F降的方向．模式移动沿相邻两个基点连线方向进行，试图顺着“山谷”使函数值更快减少．两种移动交替进行． * * 无约束最优化可以分为两大类： 无约束极值问题 一 最速下降法 最速下降法是求多元函数极值的最古老的数值算法，它直观，简单，计算方便，而且后来的一些新的有效的方法大多数是对它的改进，或受它的启发而得到的。其缺点是收敛速度较慢。 （一）算法思想： 假定我们已经迭代到第 K次，已有 从 出发进一步迭代。 §3 最速下降法和共轭梯度法 显然应沿下降方向进 行 ，而下降最快的方向是 为了使目标函数沿此方向下降的最多，　　沿此方向进行直线搜索，从而得到第k+1次迭代点 　　即 其中步长因子 　　满足 （二） 算法步骤 2 若 ，则停止， 否则令 3 由 求出最佳步长 。 4 令 返回第2步 则得新的迭代点 这说明其前后两个搜索方向总是垂直的，这就造成了最优步长的最速下降法逼近极小点过程是“之”字形，并且越靠近极小点步长越小，移动越慢，以至在实际运用中在可行的计算时间内得不到需要的结果。 这似乎与“最速下降”的名称矛盾。其实不然，因为梯度是函数局部性质，从局部看，函数在这一点附近下降的很快，然而从整体看，则走过了许多弯路。因此反而是不好的。 （三)锯齿现象： 最速下降法在两个相邻点之间的搜索方向对于正定二次函数是正交的，因而最速下降法向最小点逼近是曲折前进的。 这种现象称为锯齿现象。 除最特殊的目标函数和极特殊的初始点外，这种现象都会发生。这是因为最速下降法的搜索方向正是 从而知： =0 为了清除最优步长最速下降法中两个搜索方向正交的不良后果，人们发明了不少方法，如： （1）选择不同初始点。 例如：对问题： 取初点 则 = 令 得 然后再从 开始新的迭代，经过10次迭代，得最优解 计算中可以发现，开始几次迭代，步长比较大，函数值下将降较快但当接进最优点时，步长很小，目标函数值下降很慢。 如果不取初点为 而取 虽然后一初点较前一初点离最优点 远，但迭代中