1:目标 对于无目标约束问题进行最小值求解问题。
等式为迭代关系,其中 t(k) 为第k次的迭代步长。
对于求其最优解,即是考虑求其最小值。我们所有学的下降方法满足迭代的后一项应该是小于前一项的,之为下降,这样才可能到达最小值点。即是满足
由于凸性,我们有
2:算法
首先给出初始点x。
do:
1:确定下降方向
2:线性搜索。选择一个步长t>0,
3:更新
until:停止条件满足。
对于2中线性搜索有两种方法,一种精确线性搜索法(exact line search),一种回溯线性搜索法(backtracking line serach)。
精确线性搜索即是选择t使得f(x)沿着射线
回溯线性搜索法是不精确的线性搜索方法。其思想是先选一个大的步长,
如果步长太大,则逐次缩减,直到满足要求。具体算法流程是:
首先给出 f 的下降方向
do:
while
其中a为控制因子,
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负梯度的方向下降的。即其中
具有全局收敛性近似线性收敛,但是其对条件数比较大的时候收敛性很慢。
下面介绍最速下降法:
对f(x+v)一阶泰勒展开f(x+v)=f(x)+df(x)’v;考虑等式右边第二项。如果我们让|| ||,表示任意范数的话。定义标准最速下降方向为
考虑非标准下降方向
那么,这个
对于二范数也即是欧几里得范数,
对于quadratic norm。||z||p=(z’Pz)^(1/2) 。则
其中矩阵P可以理解为对原函数的座标轴进行变换,从而导致搜索方向也发生变换。这个简单的变换可以引起很多有效果的收敛!!