對於一個多元函數
其中
上述牛頓法不是全局收斂的。爲此可以引入阻尼牛頓法(又稱帶步長的牛頓法)。
我們知道,求極值的一般迭代格式爲
其中
取下降方向
以Rosenbrock函數爲例,即有
於是可得函數的梯度
函數
編寫Python代碼如下(使用版本爲Python3.3):
"""
Newton法
Rosenbrock函數
函數 f(x)=100*(x(2)-x(1).^2).^2+(1-x(1)).^2
梯度 g(x)=(-400*(x(2)-x(1)^2)*x(1)-2*(1-x(1)),200*(x(2)-x(1)^2))^(T)
"""
import numpy as np
import matplotlib.pyplot as plt
def jacobian(x):
return np.array([-400*x[0]*(x[1]-x[0]**2)-2*(1-x[0]),200*(x[1]-x[0]**2)])
def hessian(x):
return np.array([[-400*(x[1]-3*x[0]**2)+2,-400*x[0]],[-400*x[0],200]])
X1=np.arange(-1.5,1.5+0.05,0.05)
X2=np.arange(-3.5,2+0.05,0.05)
[x1,x2]=np.meshgrid(X1,X2)
f=100*(x2-x1**2)**2+(1-x1)**2; # 給定的函數
plt.contour(x1,x2,f,20) # 畫出函數的20條輪廓線
def newton(x0):
print('初始點爲:')
print(x0,'\n')
W=np.zeros((2,10**3))
i = 1
imax = 1000
W[:,0] = x0
x = x0
delta = 1
alpha = 1
while i<imax and delta>10**(-5):
p = -np.dot(np.linalg.inv(hessian(x)),jacobian(x))
x0 = x
x = x + alpha*p
W[:,i] = x
delta = sum((x-x0)**2)
print('第',i,'次迭代結果:')
print(x,'\n')
i=i+1
W=W[:,0:i] # 記錄迭代點
return W
x0 = np.array([-1.2,1])
W=newton(x0)
plt.plot(W[0,:],W[1,:],'g*',W[0,:],W[1,:]) # 畫出迭代點收斂的軌跡
plt.show()
上述代碼中jacobian(x)返回函數的梯度,hessian(x)返回函數的Hesse矩陣,用W矩陣記錄迭代點的座標,然後畫出點的搜索軌跡。
可得輸出結果爲
初始點爲:
[-1.2 1. ]
第 1 次迭代結果:
[-1.1752809 1.38067416]
第 2 次迭代結果:
[ 0.76311487 -3.17503385]
第 3 次迭代結果:
[ 0.76342968 0.58282478]
第 4 次迭代結果:
[ 0.99999531 0.94402732]
第 5 次迭代結果:
[ 0.9999957 0.99999139]
第 6 次迭代結果:
[ 1. 1.]
即迭代了6次得到了最優解,畫出的迭代點的軌跡如下:
由於主要使用了Python的Numpy模塊來進行計算,可以看出,代碼和最終的圖與Matlab是很相像的。