opt_steepest-梯度下降法的matlab程序.docVIP

理论考虑到函数f(x)在点x^((k) )处沿着方向d的方向导数f_d (x^((k) ) )=?f(x^((k) ) )^T d, 其意义为：f(x)在点x^((k) )处沿着方向d的变化率。当f连续可微时，方向导数为负，说明函数值沿着该方向下降；方向导数越小，表明下降越快。因此确定搜索方向d^((k) )的一个想法，就是以f(x)在点x^((k) )点方向导数最小的方向作为搜索方向，即令d^((k) )=-?f(x^((k) ) ) 因此，把这方法定名为最速下降法。 求解问题〖min〗┬(x∈R^n )?f(x)，f∈C^1。 最速下降法的具体步骤为（1）选定初始点x^((1) )，和给定精度要求ε0，令k=1; （2）若∥?f(x^((k) ) )∥ε，则停，x^*=x^((k) )，否则令d^((k) )=-?f(x^((k) ) )； （3）在x^((k) )处沿方向d^((k) )作线性搜索得x^((k+1) )=x^((k) )+α_k d^((k) )，k=k+1，回2。 若在第三步中，不用近似方法做线搜索，而是用精确线搜索，即α_k=argmin f (x^((k) )+αd^((k) ) )“argmin f (x)”，表示f(x)的极小点。 最速下降法，就是求梯度。 例如：求f=(x-y)/(x^2+y^2+2)在(-3,-2)处的梯度。 clc;clear x=-3;y=-2 f=(x-y)/(x^2+y^2+2) fx=diff(f,x)%对x求偏导数 fy=diff(f,y)%对y求偏导数 g=[fx fy]%梯度 g=subs(g)%把符号变量转为数值 function [xo,fo] = Opt_Steepest(f,grad,x0,TolX,TolFun,dist0,MaxIter)% 用最速下降法求最优化解%输入：f为函数名 grad为梯度函数%x0为解的初值 TolX,TolFun分别为变量和函数的误差阈值%dist0为初始步长 MaxIter为最大迭代次数%输出: xo为取最小值的点 fo为最小的函数值% f0 = f(x(0))%%%%%%判断输入的变量数，设定一些变量为默认值if nargin 7? ?MaxIter = 100; %最大迭代次数默认为100endif nargin 6? ?dist0 = 10; %初始步长默认为10endif nargin 5? ?TolFun = 1e-8; %函数值误差为1e-8endif nargin 4? ?TolX = 1e-6; %自变量距离误差end%%%%%第一步，求解的初值的函数值x = x0;fx0 = feval(f,x0);fx = fx0;dist = dist0;kmax1 = 25; %线性搜索法确定步长的最大搜索次数warning = 0; %%%%%迭代计算求最优解for ?k = 1: MaxIter? ?g = feval(grad,x);? ?g = g/norm(g); %求在x处的梯度方向? ?%%线性搜索方法确定步长? ?dist = dist*2; %令步长为原步长的二倍? ?fx1 = feval(f,x-dist*2*g);? ?for k1 = 1:kmax1? ? ? ?fx2 = fx1;? ? ? ?fx1 = feval(f,x-dist*g);? ? ? ?if fx0 fx1+TolFun fx1 fx2 - TolFun %fx0 fx1 fx2，? ? ? ? ? ?den = 4*fx1 - 2*fx0 - 2*fx2;num = den - fx0 + fx2; ?%二次逼近法? ? ? ? ? ?dist = dist*num/den;? ? ? ? ? ?x = x - dist*g; fx = feval(f,x); %确定下一点? ? ? ? ? ?break;? ? ? ?else? ? ? ? ? ?dist = dist/2;? ? ? ?end? ?end? ?if k1 = kmax1? ? ? ?warning = warning + 1; %无法确定最优步长? ?else? ? ? ?warning = 0;? ?end? ?if warning = 2|(norm(x - x0) TolXabs(fx - fx0) TolFun)? ? ? ?break;? ?end? ?x0 = x;? ?fx0 = fx;endxo = x; fo = fx;if k