一、最速下降法的理念

???? 最速下降法是梯度方法的一種實現，它的理念是在每次的迭代過程中，選取一個合適的步長αk，使得目標函數的值能夠最大程度的減小。αk可以認為是函數?k(α)=f(x(k)?α?f(x(k)))的極小值點：

αk=argminf(x(k)?α?f(x(k))),α≥0
由梯度迭代公式可知： x(k+1)=x(k)?α?f(x(k)), 上式的解釋是找到最優的迭代點 x(k+1), 使得函數 f(x)取得極小值時，求出步長 αk。
???? 概述最速下降法的過程：在每一步的迭代中，從點 x(k)出發，沿著梯度的負方向（求極小值點）展開一維搜索，直到找到步長最優值，確定新的迭代點 x(k+1)。 最速下降法的相鄰搜索方向都是正交的。

二、最速下降法的兩個命題和停止條件

2.1 最速下降法的兩個命題

命題1 利用最速下降法搜索函數f:R2→R的極小值點，迭代過程產生的序列為{x(k)}∞k=0, 那么，x(k+1)?x(k) 與 x(k+2)?x(k+1)正交對所有k≥0都成立。

命題2 利用最速下降法搜索函數f:Rn→R的極小值點，迭代過程產生的序列為{x(k)}∞k=0, 如果 ?f(x(k))≠0， 那么f(x(k+1))<f(x(k))。

???? 命題1說明在迭代過程中，沒產生一個新點，對應的目標函數值都會下降。命題2說明了最速下降法的下降特性：只要?f(x(k))≠0， 就有f(x(k+1))<f(x(k))。對于某個k, 如果?f(x(k))=0，說明x(k)滿足局部極小點的一階必要條件，此時x(k+1)=x(k),這可以作為停止規則的基礎。

2.2 幾種停止規則

???? 在實際中，采用數值計算的方法很難恰好得到梯度為0的結果，因此以梯度為0作為停止規則很不恰當。以下, ?>0

1.|f(x(k+1))?f(x(k))|<?

2.||x(k+1)?x(k)||<?

3.|f(x(k+1))?f(x(k))||f(x(k))|<?

4.||x(k+1)?x(k)||||x(k)||<?

5.|f(x(k+1))?f(x(k))|max{1,|f(x(k))|}<?

6.||x(k+1)?x(k)||max{1,||x(k)||}<?

上邊的3,4式為1,2式的相對值，而5,6式是為了避免3,4式中的分母過小進行的修改。

三、二次型中最速下降法的應用

???? 首先，二次型的目標函數為

f(x)=12xTQx?bTx
其中， Q為對稱正定矩陣（假設），b∈Rn,x∈Rn,故有：
?f(x)=Qx?b
令:
g(k)=?f(x(k))=Qx(k)?b
則，最速下降法的迭代公式：
x(k+1)=x(k)?αkg(k)
其中，
αk=argminα≥0f(x(k)?αg(k))?k(α)=f(x(k)?αg(k))
當目標函數是二次型函數時，可以確定 x(k)處的步長 αk的解析式。當 g(k)=0時，迭代停止，當 g(k)≠0時，利用局部極小點的一階必要條件可得：
?′k(α)=(x(k)?αg(k))TQ(?g(k))?bT(?g(k))
?′k(α)=0時， αg(k)TQg(k)=(x(k)TQ?bT)g(k),因為 Q對稱， Q=QT,得：
x(k)TQ?bT=g(k)T
所以：
αk=g(k)Tg(k)g(k)TQg(k)
所以，目標函數為二次型函數時，最速下降法的迭代公式為：
x(k+1)=x(k)?g(k)Tg(k)g(k)TQg(k)g(k)
其中，
g(k)=?f(x(k))=Qx(k)?b

總結

以上是生活随笔為你收集整理的最优化学习笔记（四）——最速下降法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。