当前位置: > 财经>正文
优化算法(1):最速下降法、牛顿法
可能有很多刚开始学优化的同学还对一些知识还不太了解,那就先从一些基本的概念开始说起吧。 优化中,基本问题就是求解一个目标函数的最值,例如最小值。 那么,如何求解这个目标函数的最小值呢,很多函数无法通过数学公式直接得到解析解,或是求解的代价很大,因此更合理的方式是通过一系列的下降迭代算法来获取一个误差在可接受范围内的数值解 x ∗ x^* x∗ 今天首先要讲的就是无约束优化算法。
要求首先,迭代产生的一系列点 { x i } {x_i} {xi}需要满足下降性和收敛性,因此,下降迭代算法可以分解为以下几个问题:
寻找初始点 x 0 x_0 x0确定下降方向 d k l d^kl dkl寻求在 d k d^k dk 方向的搜索步长 t k t^k tk,使其满足 x k + 1 = x k + t k d k f ( x k + 1 ) < f ( x k ) t k : f ( x k + t k d k ) = m i n f ( x k + t d k ) x^{k+1} = x^k + t^k d^k qquad f(x^{k+1}) < f(x^k) \ t^k: quad f(x^k+t^kd^k) = min f (x^k + td^k) xk+1=xk+tkdkf(xk+1)版权声明: 本站仅提供信息存储空间服务,旨在传递更多信息,不拥有所有权,不承担相关法律责任,不代表本网赞同其观点和对其真实性负责。如因作品内容、版权和其它问题需要同本网联系的,请发送邮件至 举报,一经查实,本站将立刻删除。