最优化马昌凤作业.docVIP

最优化方法及其Matlab程序设计 习题作业暨实验报告 学院：数学与信息科学学院 班级：12级信计一班 姓名：李明 学号：1201214049 第三章 最速下降法和牛顿法 上机问题与求解过程 1、用最速下降法求的极小值。 解： 仿照书上编写最速下降法程序如下： function [x,val,k]=grad(fun,gfun,x0) %功能：用最速下降法求解无约束化问题：min f(x) %输入：x0是初始点，fun,gfun分别是目标函数和梯度 %输出：x,val分别是近似嘴有点和最优值，k是迭代次数 maxk=5000; rho=0.5;sigma=0.4; %一开始选择时选择的rho和sibma选择的数据不够合理，此处我参照书上的数据编写数据 k=0;epsilon=1e-5; while(kmaxk) g=feval(gfun,x0); %计算梯度 d=-g; %计算搜索方向 if(norm(d)epsilon),break;end m=0;mk=0; while(m20) %Armijo搜索 if(feval(fun,x0+rho^m*d)feval(fun,x0)+sigma*rho^m*g*d) mk=m;break; %直接利用Armijo搜索公式,一开始的时候没有记住公式编写出现错误 end m=m+1; end x0=x0+rho^mk*d; k=k+1; end x=x0; val=feval(fun,x0) %求得每一个的函数值 然后仿照书上建立两个目标函数和梯度的M文件： function f=fun(x) f=3*x(1)^2+2*x(2)^2-4*x(1)-6*x(2); function g=gfun(x) g=[6*x(1)-4,4*x(2)-6]; 选取初始点为，调用函数程序，得出最小极值点为，极小值为，在界面框中输入的程序如下： [x,val,k]=grad(fun,gfun,x0) val = -5.8333 x = 0.6667 1.5000 val = -5.8333 k = 10 从结果可以看出迭代次数为次，如果选取不同的初值点则迭代次数不一样，但是极小值相同。 2、分别用牛顿法和阻尼牛顿法求解函数的极小点。 解： 牛顿法： 改编书上的阻尼牛顿法，将Armijo线性搜索公式去掉，改编为牛顿法，其中程序为： function [x,val,k]=netwn(fun,gfun,Hess,x0) %功能：用牛顿法求解无约束问题：min f(x) %输入：x0是初始点，fun,gfun,Hess分别是求 % 目标函数值，梯度，Hesse矩阵函数 %输出：x,val分别是近似点最优解和最优质，k是迭代次数 maxk=500; %因为是牛顿法，感觉不能简单直接找出最佳数值，所以需要加大迭代次数 k=0;epsilon=1e-5; while(kmaxk) gk=feval(gfun,x0);%计算梯度 Gk=feval(Hess,x0);%计算Hess矩阵 if(norm(gk)epsilon),break;end dk=-Gk\gk;%计算搜索方向 x0=x0+dk; %直接根据前面的算法框架，得出上面迭代步骤 k=k+1; end %只是将阻尼牛顿法，简单的删去Armijo搜索公式 x=x0; val=feval(fun,x); 然后仿照书上建立两个目标函数和梯度的M文件： function f=fun(x) f=4*x(1)^2+x(2)^2-8*x(1)-4*x(2); function g=gfun(x) g=[8*x(1)-8,2*x(2)-4]; 最后仿照书上建立Hess矩阵的M文件： function He=Hess(x) n=length(x); He=zeros(n,n); He=[8,0; 0,2]; 选取初始点为，调用函数程序，得出最小极值点为，极小值为，在界面框中输入的程序如下： x0=[0 0]; x,val,k]=netwn(fun,gfun,Hess