工程数学上机3

实验三：Newton 法程序设计

一、实验目的

掌握 Hesse 矩阵的计算方法和 Newton 法的基本思想及其迭代步骤；学会运用 MATLAB 编程实现 常用优化算法； 能够正确处理实验数据和分析实验结果及调试程序。

二、实验内容

(1)求解无约束优化问题：；

(2) 终止准则取；

(3) 完成 Newton 法(牛顿法) 的 MATLAB 编程、调试；

(4) 选取几个与实验二中相同的初始点， 并给出相关实验结果的对比及分析(从最优解、最优

值、收敛速度(迭代次数)等方面进行比较)；

(5) 按照模板撰写实验报告，要求规范整洁。

三、算法步骤、代码、及结果

 1. 算法步骤

    步骤1：给定初始点 x0，及精度e 令

步骤2：若梯度的范数<e ，停止，极小点为xk ，否则转【3】；

步骤3：计算负梯度，海森矩阵，令 dk=负梯度*海森矩阵的逆

步骤4：令 xk+1 = xk + dk，k=k+1，转【2】。

2. 代码

function [x_optimization,f_optimization,k] = Multi_Newton_Method(f,x0,var_x,epsilon)

format long;

%   f：目标函数

%   x0：初始点

%   var_x：自变量

%   epsilon：精度

%   x_optimization：最优解

%   f_optimization：最优值

%%

if nargin == 3

    epsilon = 1.0e-5;

end

x0 = transpose(x0);

var_x = transpose(var_x);

gradf = jacobian(f,var_x);

grad2f = jacobian(gradf,var_x);

grad_fxk = 1;

k = 0;

xk = x0;

while norm(grad_fxk) > epsilon

    grad_fxk  = subs(gradf,var_x,xk);

    grad2_fxk = subs(grad2f,var_x,xk);

    pk = -inv(grad2_fxk)*transpose(grad_fxk);   

    pk = double(pk);

    xk_next = xk + pk;

    xk = xk_next;

    k = k + 1;

end

x_optimization = xk_next;

f_optimization = subs(f,var_x,x_optimization);

format short;

3. 结果

clear;

>> syms x1 x2;

f = 100*(x1^2-x2)^2+(x1-1)^2;

[x_optimization,f_optimization,k] = Multi_Newton_Method(f,[-1.2 1],[x1 x2],0.0001);

disp(['最优解： x = ']);

最优解： x =

>> disp(x_optimization)

    1.0000

    1.0000

>> disp(['迭代次数： k = ']);

迭代次数： k =

>> disp(k)

     6

四、心得体会

与实验二进行对比，发现通过最速下降法和牛顿法所求得的最优解相同，最优值近似相同，最速下降法的迭代次数要远远大于牛顿法，收敛速度慢。