资源描述
单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,无约束极值问题算法(,1,),(,2,学时),无约束极值问题算法(,2,),(,2,学时),第,4,章 无约束极值问题,共轭梯度法,(,1,学时),步长加速法,(,1,学时),第,7,讲 无约束极值问题算法(,2,),重 点:共轭梯度法、模式搜索法。,难 点:共轭方向的构造。,基本要求:理解共轭方向的定义及性质,掌握共轭梯度法的搜索,方向的构造过程,计算步骤,了解共轭梯度法的优缺点;了解模,式搜索法的基本思想和计算步骤。,首先考虑,二次函数,的无约束极小问题,共轭梯度法,令,将,(1),化为,显然,(,3,)式经,n,次一维搜索可得最优解,为对角阵,1,定义:设 为,n,阶正定阵,若,n,维方向 满足,(一)共轭方向,则称 是 共轭的。,2,性质:设 为,n,阶正定阵,若 是 共轭的,则必线性无关,1,共轭梯度法思想:,将共轭性与最速下降方法结合,利用已知点处的梯度构造一组共轭方向,并沿此组方向进行搜索,求出极小点。,适用范围:凸函数,(二)共轭梯度法,2 FR,共轭梯度法,考虑问题:,其中: 为对称正定阵,(,1,)算法步骤:,步骤,1,任选初始点 令,步骤,2,若 ,则停止;否则转下一步,令,其中:,步骤,5,置,k=k+1,返回步骤,2,步骤,3,步骤,4,定理,设向量 为 共轭,则从点 出发,相继以 为搜索方向的下述算法:,经,n,次一维搜索收敛于问题(,I,)的极小点,FR,共轭梯度法的理论推导*,问题,(I),证明:由式,(1),得,则有,由于一维搜索时 为最佳步长,故,即:,2 FR,公式推导,证明,(1),式:,由于一维搜索时 为最佳步长,故,证明,(2),式:,(i),(ii),设,k=m-1,时,(2),式成立,,,(iii) k=m,T,用,FR,共轭梯度法求解,(,2,)算法举例,解:,第一次迭代,第二次迭代,共轭搜索方向:,例,2,用共轭梯度法求解下列问题:,第,一,次,迭,代,第二次迭代,非二次型的共轭梯度法,设,为某一严格凸函数, 具有二阶连续偏导,用二阶泰勒展开近似表示,迭代公式:,(三)共轭梯度法的优缺点,优点,(,1,),程序简单,占内存少;,(,2,),收敛速度较快,介于梯度法和牛顿法之间。,缺点,(,1,)当 较小时计算 可能带来较大的,舍入误差,甚至引起不稳定;,(,2,)不进行“,n,步重新开始”一直作下去,收敛很,慢,甚至不收敛。,适用场合,各种问题,对于高维问题效果尤佳。,模式搜索法(步长加速法),探测移动:,依次沿,n,个坐标轴进行,用于确定新的基,点和有利于函数值下降的方向。,模式移动:,沿相邻两个基点连线方向进行,试图,使函数值更快减少。,(一)模式搜索法的思路,探测性搜索:,模式搜索,(二),模式搜索法的,迭代步骤,例,3,用步长加速法求解下列问题:,优点,(1),编制程序比较简单,(2),对函数的要求宽松,不需函数的导数信息。,缺点,收敛速度比较慢,,适用场合,对变量不多的问题可以使用,另外,还可用于求解非线,性目标规划问题。,(三)模式搜索法的优缺点,作业:习题,4 3,(,1,),,5,,,6,(选做),
展开阅读全文