鞍点

      鞍点(Saddle point)在微分方程中,沿着某一方向是稳定的,另一条方向是不稳定的奇点,叫做鞍点。在泛函中,既不是极大值点也不是极小值点的临界点,叫做鞍点。在矩阵中,一个数在所在行中是最大值,在所在列中是最小值,则被称为鞍点。在物理上要广泛一些,指在一个方向是极大值,另一个方向是极小值的点。

      

   广义而说,一个光滑函数(曲线,曲面,或超曲面)的鞍点邻域的曲线,曲面,或超曲面,都位于这点的切线的不同边。

参考右图,鞍点这词来自于不定二次型x^2-y^2的二维图形,像马鞍:x-轴方向往上曲,在y-轴方向往下曲。
检验二元是函数F(x,y)的驻点是不是鞍点的一个简单的方法,是计算函数在这个点的Hessian矩阵:如果黑塞矩阵的行列式小于0,则该点就是鞍点。  
函数
   
在驻点(0,0)的黑塞矩阵是:
我们可以看到此矩阵有两个特征值2,-2。它的行列小于0,因此,这个点是鞍点。然而,这个条件只是充分条件,例如,对于函数z = x 4 − y 4,点(0,0)是一个鞍点,但函数在原点的黑塞矩阵是零矩阵,并不小于0。
y=x3的鞍点在(0,0) y=x3的鞍点在(0,0)
如右图,一维鞍点看起来并不像马鞍!在一维维空间里,鞍点是驻点.也是反曲点点。因为函数图形在鞍点由凸转凹,或由凹转凸,鞍点不是区域性极点。


  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
鞍点是指函数在某个点的梯度为零,且该点的“拐点”(也就是 Hessian 矩阵矩阵特征值有正有负)的点。在 C 语言中,可以使用数值优化库,如 GSL(GNU Scientific Library)或 NAG(Numerical Algorithms Group)库来找到函数的鞍点。 下面是使用 GSL 库找到函数的鞍点的示例代码: ```c #include <stdio.h> #include <gsl/gsl_multimin.h> // 定义函数 double func(const gsl_vector *v, void *params) { double x = gsl_vector_get(v, 0); double y = gsl_vector_get(v, 1); return x * x - y * y; } // 定义函数的梯度 void grad(const gsl_vector *v, void *params, gsl_vector *df) { double x = gsl_vector_get(v, 0); double y = gsl_vector_get(v, 1); gsl_vector_set(df, 0, 2 * x); gsl_vector_set(df, 1, -2 * y); } int main() { const gsl_multimin_fdfminimizer_type *T; gsl_multimin_fdfminimizer *s; int iter = 0, status; const size_t n = 2; double eps = 1e-8; // 初始点 gsl_vector *x = gsl_vector_alloc(n); gsl_vector_set(x, 0, 1.0); gsl_vector_set(x, 1, 1.0); // 定义函数及梯度 gsl_multimin_function_fdf my_func; my_func.n = n; my_func.f = &func; my_func.df = &grad; my_func.fdf = NULL; my_func.params = NULL; // 定义优化器类型 T = gsl_multimin_fdfminimizer_conjugate_fr; s = gsl_multimin_fdfminimizer_alloc(T, n); // 初始化优化器 gsl_multimin_fdfminimizer_set(s, &my_func, x, 0.01, eps); do { iter++; status = gsl_multimin_fdfminimizer_iterate(s); if (status) break; status = gsl_multimin_test_gradient(s->gradient, eps); } while (status == GSL_CONTINUE && iter < 100); printf("Minimum found at:\n"); printf("%5.5f %5.5f\n", gsl_vector_get(s->x, 0), gsl_vector_get(s->x, 1)); gsl_multimin_fdfminimizer_free(s); gsl_vector_free(x); return 0; } ``` 该示例代码中,我们首先定义了函数 `func` 和它的梯度 `grad`。然后,我们使用 GSL 库中的 `gsl_multimin_fdfminimizer` 类型来定义优化器。在初始化优化器时,我们通过 `gsl_multimin_fdfminimizer_set` 函数将函数及梯度传递给了优化器。最后,我们使用 `gsl_multimin_fdfminimizer_iterate` 函数迭代求解函数的鞍点,并使用 `gsl_multimin_test_gradient` 函数检查是否已收敛。 需要注意的是,由于鞍点通常比最小值或最大值更难以找到,因此需要更多的迭代次数和更小的收敛阈值。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值