1:目標 對於無目標約束問題進行最小值求解問題。
等式爲迭代關係,其中 t(k) 爲第k次的迭代步長。
對於求其最優解,即是考慮求其最小值。我們所有學的下降方法滿足迭代的後一項應該是小於前一項的,之爲下降,這樣纔可能到達最小值點。即是滿足
由於凸性,我們有
2:算法
首先給出初始點x。
do:
1:確定下降方向
2:線性搜索。選擇一個步長t>0,
3:更新
until:停止條件滿足。
對於2中線性搜索有兩種方法,一種精確線性搜索法(exact line search),一種回溯線性搜索法(backtracking line serach)。
精確線性搜索即是選擇t使得f(x)沿着射線
回溯線性搜索法是不精確的線性搜索方法。其思想是先選一個大的步長,
如果步長太大,則逐次縮減,直到滿足要求。具體算法流程是:
首先給出 f 的下降方向
do:
while
其中a爲控制因子,
3 梯度下降法(Gradient descent method)和最速下降法(steepest descent method)。
其中梯度下降法是沿着負梯度的方向下降的。即其中
具有全局收斂性近似線性收斂,但是其對條件數比較大的時候收斂性很慢。
下面介紹最速下降法:
對f(x+v)一階泰勒展開f(x+v)=f(x)+df(x)’v;考慮等式右邊第二項。如果我們讓|| ||,表示任意範數的話。定義標準最速下降方向爲
考慮非標準下降方向
那麼,這個
對於二範數也即是歐幾里得範數,
對於quadratic norm。||z||p=(z’Pz)^(1/2) 。則
其中矩陣P可以理解爲對原函數的座標軸進行變換,從而導致搜索方向也發生變換。這個簡單的變換可以引起很多有效果的收斂!!