【复习笔记】最优化方法 | 您所在的位置:网站首页 › 二阶矩阵求逆例题 › 【复习笔记】最优化方法 |
第三章 无约束优化方法
本文是本人研究生课程《最优化方法》的复习笔记,主要是总结课件和相关博客的主要内容用作复习。 3.1 算法理论基础 1. 无约束优化问题的最优性条件先是一元函数取得极值的条件,高中就学过的 然后是拓展到多元函数后的理论 这三条和前面一元函数的三条是一一对应的,半正定对应大于等于,正定对应严格大于。 这里的最优性一直在说的都是局部最优性。 2. 无约束凸规划问题的最优性条件凸规划就有一个很好的特点,就是只要是局部最优解,那他就是全局最优解,也就是不存在鞍点了,再把前面的思路拓展就可以得到很好的结果了。 参考: 【1】知乎 : 最优化:线搜索中有最速下降法、牛顿法、拟牛顿法、共轭梯度法,那么他们分别时候用 最速下降法利用目标函数一阶梯度进行下降求解,易产生锯齿现象,在快接近最小值时收敛速度慢。 Newton法利用了二阶梯度,收敛速度快,但是目标函数的Hesse矩阵不一定正定。于是出现了修正的Newton法,主要是对不同情况进行了分情况讨论。Newton法的优缺点都很突出。优点:高收敛速度(二阶收敛);缺点:对初始点、目标函数要求高,计算量、存储量大(需要计算、存储Hesse矩阵及其逆)。 共轭梯度法是介于最速下降法和牛顿法之间的一个方法,相比最速下降法收敛速度快,并且不需要像牛顿法一样计算Hesse矩阵,只需计算一阶导数(共轭梯度法是共轭方向法的一种,意思是搜索方向都互相共轭)。 拟Newton法是模拟Newton法给出的一个保优去劣的算法。 3.2 最速下降法 最速下降方向:梯度的定义是:变化最快的方向,其实指向的就是上升最快的方向。 下降最快的方向是梯度的反方向,即\(-g_k\)。 1. 算法框架![]() ![]() ![]() ![]() 这里参考博客: 【1】https://blog.csdn.net/itplus/article/details/21896453 1. 牛顿法与阻尼牛顿法![]() 共轭方向法是介于最速下降法和Newton法之间的一种方法。克服了最速下降法的锯齿现象,从而提高了收敛速度;同时,共轭方向法的迭代公式比较简单,不必求目标函数的Hesse矩阵,比Newton法减少了计算量和存储量。是一种比较实用而且有效的方法。 1. 共轭向量及其性质关于共轭向量的定义: 满足上述条件后,称\(d^0,d^1,…,d^{k-1}\)是G的共轭方向。 当\(Q=I\)时可以发现,\(d^0,d^1,…,d^{k-1}\)相互正交。也就是说:正交是共轭的一种特殊情况,共轭是正交的推广。 2. 共轭方向法的理论基础用一句话概括那就是: 在精确一维线搜索的情况下,当前迭代点的梯度g与之前所有的搜索方向d正交。 3. 共轭方向法的基本算法框架前面是对共轭方向法+一维线搜索的整理,接下来对二次函数总结成共轭梯度法的理论。 3.【考】 一般函数极小化的共轭梯度法这部分可能是考试重点 例题比较简单 这里参考博客: 【1】https://blog.csdn.net/songbinxu/article/details/79677948, 【2】https://blog.csdn.net/itplus/article/details/21896453 牛顿法中的Hesse矩阵HH在稠密时求逆计算量大,也有可能没有逆(Hesse矩阵非正定)。拟牛顿法提出,用不含二阶导数的矩阵 \(U_t\) 替代牛顿法中的 \(H^{−1}_t\),然后沿搜索方向 \(−U_tg_t\) 做一维搜索。根据不同的 \(U_t\) 构造方法有不同的拟牛顿法。 注意拟牛顿法的 关键词: 不用算二阶导数 不用求逆 1. 拟牛顿条件DFP公式不用记 这里PPT里的结论是: \(H_{k+1} = H_{k} - \frac{H_ky_ky_k^TH_k}{y_k^TH_ky_k} + \frac{s_ks_k^T}{y_k^Ts_k}\) 其实这里最后面那个公式下面的\(y_k^Ts_k和前面的\)\(s_k^Ty_k\)的结果是相同的,因此记哪个都可以。 ![]() 注: 关于收敛性参看第一章最后一节部分的内容 二次终止性:当一个算法用于求解严格凸二次函数极小值问题时,如果从任意初始点出发,算法经过有限步迭代后可达到函数的极小值点,则称该算法具有二次终止性。 |
CopyRight 2018-2019 实验室设备网 版权所有 |