暴力拆解《Numerical Optimization》之线搜索

这里讨论的是有约束条件的优化问题：

利用线搜索来求解目标函数的极值点，主要可以分为以下两步：

1.选定起点，选择一个方向 ，使在点沿方向函数值下降。

2.在该方向上，选定合适的步长，使得与相比，充分减小。

那么，现在我们来具体讨论如何选择方向和步长：

（一）下降方向的选择

这里介绍四种方法确定：最速下降方向、牛顿方向、拟牛顿方向、共轭梯度方向。

1.最速下降方向：

将函数泰勒展开，保留一次项可得：

沿该方向，目标函数 的函数值下降最快，因此 叫做最速下降方向。

下降方向选择 ，即 在 点梯度的负方向。

2.牛顿方向：

也还是利用泰勒展开，只是这次是对，保留二次项：

要选择，使最小。显而易见，最简单的方法就是对求导，令：

由此可以推出：

注意：

a.在实用牛顿方向的时候有个前提，那就是 必须正定，也就是 在 在 点处所对应的Hessian矩阵必须正定。如果不正定的话，       的值可能会减小。

b.我们在推导牛顿方向的过程中的过程中，牛顿方向 不是对 进行泰勒展开推导的，而是对    进行展开推导而来的，所以我们推导出来的牛顿方向所对应的 就等于1。

3.拟牛顿方向

由于Hessian矩阵计算起来比较麻烦，而且真实的Hessian矩阵有可能不正定，所以我们采用矩阵来近似Hessian矩阵：

类似的，可以推出：

4.共轭梯度方向

取使得，共轭。

上面四种方法在求极值的时候，其收敛速度为牛顿法>拟牛顿法>共轭梯度法>最速下降法。

（二）如何选择步长

原则：让目标函数的值充分降低，并且计算代价小。

我们提供三种方法来选择：Wolfe条件，强Wolfe条件，Goldstein条件。

1.Wolfe条件：

目标函数充分减小条件：

Amijo条件：

为了减少计算代价，我们应该排除较小的步长，用曲率条件来过滤掉较小的步长，将限制在一个合理的范围内：

上面这个式子所表示的意思是：当，固定时，把看做关于的函数的函数，假设我们记作，那么式子的左边就是函数在处的倒数，而式子的右边就是函数在点处的倒数的倍。

以上两个条件合起来叫做Wolfe条件。

2.强Wolfe条件

强Wolfe条件，顾名思义，它就是Wolfe条件的加强版：

强Wolfe条件的第一个式子和Wolfe条件是一样的。第二个式子就是在不等式两边都加了一个绝对值符号。在数学上来看，它所起到的作用是将步长限制在一个较小的领域内。

3.Glodstein条件

Goldstein方法虽然简洁，但是它可能会排除掉极小点。

以上就是线搜索的主要内容。

如有觉得上面有错误，或者有疑问，请评论，我们一起探讨。Thanks for your patience! ：）