利用共轭梯度算法求解n元正定二次函数的极小点.docxVIP

利用共轭梯度算法求解n元正定二次函数的极小点 我利用共轭梯度算法来解决n元正定二次函数的极小点问题，并通过一个简单的函数模型来测试基于该算法的程序的正确性。通过分析该算法后，我采用matlab7.0中的设计语言来编写程序。matlab是集数学计算、图形处理和程序设计与以设计与一体的著名数学软件，在许多科学领域成为计算机辅助设计和分析、算法研究和应用开发的基本工具和首选平台。 一、 算法条件和特点： 适合条件：无约束n元正定二次函数f(x)=1txax+bt+c2 其中a是n? n对称正定矩阵；ｘ，ｂ∈e、 C是一个常数。 算法特点：已知p(i)(i=0,...,n-1)关于ａ共轭，以任给x(0)出发，依次以 p（0），p（1），。。。，P（n-1）是搜索方向的以下算法： minf(x(k)+λp(k))＝f(x(k)+λkp(k))λ （k+1）（k）（k）x，k=0,1，。。。，n-1=x+λkp 二．算法步骤： （1） 选择近似于X的初始值 （0）(0)p=-?f(x)(0)，给出允许误差ε0，k=0。 并使用X（1）=X（0）+λ0P（0）? f（x（0））TP（0）（1）和λ0=-计算x（0）t（0）（p）ap (k)（3）一般地，假定已得出x （4） |f（x（K+1）和P（K），则可计算K+1近似x（K+1）（K）（K）=x+λkpλK:minf（x（K）+λP（K））|2≤ ε、 停止计算，X（K+1）是所需的近似解。 p（k+1）=-?f(x(k)（k）)+βkp ?f（x（k+1））t?f（x（k+1））βk=?f（x（k））t?f（x（k）） k=k+1 计算βK和P（K+1），然后转到第三步。 三．详细算法中变量说明： 梯度：函数的梯度。e：终止条件ε 四．模型求解： 已知二维正定二次函数f（x）=3212x1+x2-x1x2-2x122 1312-x1x2-2x1化成f(x)=xtax+bt+c形式，得?将f(x)=x12+x2222 a=?3-1??-2.???,b=???-11??0? ?初始条件x(0)?-2?=4??，ε=0。 ? 添加a、B、X（0）和ε=0输入算法进行求解。（具体算法及操作流程见附录） ?1??结果x*=1???? ? 初始条件，即采取 ?2?(0)?12?(0)?2?(0)?-2?(0)?0.2?(0)?82?x(0)=4??,x=4??,x=14??,x=-4??,x=4??,x=224?????????????? ? 1.? 两个结果都是x=1???* 五．根据上述结果进行必要分析： 从结果可以看出，无论初始条件如何变化，都会得到相同的结果。理论上，对于二次函数的情况，经过n次迭代可以达到最小点。因此，对于一个简单的模型，它与理论结果是一致的。 但是，在实际计算中，由于数据的舍入以及计算误差的积累，往往做不到这一点。此外，由于n维问题的共轭方向最多只有n个，在n步以后继续如上进行是没有意义的。因此，在实际应用时，如迭代到n步还不收敛，就将x(n)作为新的初始近似，重新开始迭代。根据实际经验，采用这种在开始的办法，一般都可得到较好的效果。 %正定二次函数（N元）最小点的共轭梯度算法 %f(x)=(1/2)xax+bx+c a=[3-1；-11]； b=[-20]; %初始点x（0） x=[-24]; %F（x）的梯度 gradf=a*x+b; %共轭梯度法的终止条件 %共轭梯度法初始搜索方向 p=-gradf； while(gradf*gradf)e a=p*a*p； b=-(gradf*p)/a; %x（k+1）=x（k）+bp（k），k=0,1，。。。，N x=x+b*p; %点x（K+1）处的F（x）梯度，K=0,1，n gradf=a*x+b; c=（梯度*a*p）/a； %f(x)在点x(k+1)处的搜索方向p(k+1),k=0,1,...,np=-gradf+c*p; %F（x）的最小点x（*） 运行过程如下（部分）： ?82?x（0）=244???? gradf= 格拉夫= -162-162 格拉夫= ?-2?x(0)=4???? 3-1-11 gradf=