标签：md end 07 epsilon 08 alpha diff x0 最速

2023-07-08 《数值优化方法》-庞丽萍，肖现涛-无约束最优化（五）

数值优化方法Matlab最速下降法

考虑无约束最优化问题

其中是一阶连续可微的 (记作), 也就具有连续的一阶偏导数. 最速下降法的基本思想正如其名字一样，就是在当前迭代点处寻找一个使目标函数下降最快的方向. 这样的方向由下述问题（下降量）

的解给出，因此为函数在处的最速下降方向。

最速下降法
Step 1. 选取初始点, 给定精度, 置.

Step 2. 计算, 若, 则停止，置最优解为, 否则转下步.

Step 3. 取, 作精确线搜索

得解, 令, , 转 Step 1.

下面给出最速下降法的收敛性证明：

定理1 设函数二阶连续可微有下界，存在满足, 若最速下降法产生无穷点列, 则.#673AB7

证明：由算法和定义可知序列单调有界，即收敛. 对任意, 存在, 使得

由假设和可得

考虑合并，得到

令, 由精确线搜索可知

由于收敛，因此.

最速下降法迭代路径呈锯齿状的原因: 由于采用的是精确线搜索方法，在当前下降方向已经充分下降了。从这也可以知道如果是一维优化问题，最速下降法一步即可达到最优 (精确线搜索).

下面的程序可求解多维优化问题，使用的是成功-失败法搜索

1. % 最速下降法 
   

   ---

2. function [x xlog] = SteepestDes(f, x0, epsilon) 
   

   ---

3. % f 目标函数，函数句柄 
   

   ---

4. % g 梯度函数 函数句柄 
   

   ---

5. % epsilon 精度要求 
   

   ---

6. % method 线搜索方法 
   

   ---

7. k = 0; 
   

   ---

8. while k <= 1e4 
   

   ---

9. diff_x = -My_Gradient(f, x0); 
   

   ---

10. if norm(diff_x) < epsilon 
    

    ---

11. x = x0; 
    

    ---

12. xlog(k+1) = norm(diff_x); 
    

    ---

13. break 
    

    ---

14. end 
    

    ---

15. [alpha tx] = SuccFa(f, 1, x0, diff_x, 1, epsilon, 1e4); 
    

    ---

16. x0 = x0 + alpha * diff_x; 
    

    ---

17. k = k + 1; 
    

    ---

18. xlog(k) = norm(diff_x); 
    

    ---

19. end 
    

    ---

20.  
    

    ---

21. end 
    

    ---

22.  
    

    ---

23. function [alphak xlog] = SuccFa(fun, alpha, x0, diff_x, h, epsil, maxIt) 
    

    ---

24. k = 0; 
    

    ---

25. xlog = alpha; 
    

    ---

26. while k <= maxIt 
    

    ---

27. alphak = alpha + h; 
    

    ---

28. if fun(x0 + alphak * diff_x) < fun(x0 + alpha * diff_x) 
    

    ---

29. h = 2 * h; 
    

    ---

30. alpha = alphak; 
    

    ---

31. else 
    

    ---

32. h = - h / 4; 
    

    ---

33. end 
    

    ---

34. k = k + 1; 
    

    ---

35. xlog(k) = alphak; 
    

    ---

36. if abs(h) < epsil 
    

    ---

37. break 
    

    ---

38. end 
    

    ---

39. end 
    

    ---

40. end 
    

    ---

41.  
    

    ---

42. function [x] = F_alpha(alpha) 
    

    ---

43. x = f(x0 + alpha * diff_x); 
    

    ---

44. end 
    

    ---

45.  
    

    ---

46.  
    

    ---

47. function [gd] = My_Gradient(f, x) 
    

    ---

48. gd = x; 
    

    ---

49. epsil = 1e-5; 
    

    ---

50. d = [-2* epsil, -epsil 0 epsil 2*epsil]; 
    

    ---

51. tx = [x x x x x]; 
    

    ---

52. fx = [0,0,0,0,0]; 
    

    ---

53. for i = 1:length(x) 
    

    ---

54. tx(i,:) = tx(i,:) + d; 
    

    ---

55. for h = 1:5 
    

    ---

56. fx(h) = f(tx(:,h)); 
    

    ---

57. end 
    

    ---

58. gf = gradient(fx); 
    

    ---

59. gd(i) = gf(3); 
    

    ---

60. end 
    

    ---

61. end 
    

    ---

测试程序

1. f = @(x) sin(x(1)) + cos(x(2)); 
   

   ---

2. x0 = [1 ,2]'; 
   

   ---

3. epsilon = 1e-8; 
   

   ---

4. [x xlog] = SteepestDes(f, x0, epsilon) 
   

   ---

5.  
   

   ---

6. f = @(x) sin(x); 
   

   ---

7. x0 = 1; 
   

   ---

8. epsilon = 1e-8; 
   

   ---

9. [x xlog] = SteepestDes(f, x0, epsilon) 
   

   ---

标签：md,end,07,epsilon,08,alpha,diff,x0,最速
From： https://www.cnblogs.com/NEFPHYS/p/17537578.html