function [x,val,k]=frcg(fun,gfun,x0)
% 功能: 用FR共轭梯度法求解无约束问题: min f(x)
%输入: x0是初始点, fun, gfun分别是目标函数和梯度
%输出: x, val分别是近似最优点和最优值, k是迭代次数.
maxk=5000; %最大迭代次数
rho=0.6;sigma=0.4;
k=0; epsilon=1e-4;
n=length(x0);
while(k<maxk)
g=feval(gfun,x0); %计算梯度
itern=k-(n+1)*floor(k/(n+1));
itern=itern+1;
%计算搜索方向
if(itern==1)
d=-g;
else
beta=(g'*g)/(g0'*g0);
d=-g+beta*d0; gd=g'*d;
if(gd>=0.0)
d=-g;
end
end
if(norm(g)<epsilon), break; end %检验终止条件
m=0; mk=0;
while(m<20) %Armijo搜索
if(feval(fun,x0+rho^m*d)<feval(fun,x0)+sigma*rho^m*g'*d)
mk=m; break;
end
m=m+1;
end
x0=x0+rho^mk*d;
val=feval(fun,x0);
g0=g; d0=d;
k=k+1;
end
x=x0;
val=feval(fun,x);
function f=fun (x)
f=100*(x(1)^2-x(2))^2+(x(1)-1)^2;
function g=gfun (x)
g=[400*x(1)*(x(1)^2-x(2))+2*x(1)-2 , -200*(x(1)^2-x(2))]';
>> x0=[0.5 0.5]'; [x,val,k]=frcg('fun','gfun',x0)
x =
1.0000
1.0000
val =
3.5498e-10
k =
44
换个初始点
>> x0=[1.2 -1]'; [x,val,k]=frcg('fun','gfun',x0)
x =
0.9999
0.9998
val =
1.1686e-08
k =
56
优点就是不需要求Hess矩阵,然后利用精确线搜索方法求步长(感觉优点还是蛮明显的)
老师说PRP公式最好
(内大最优化代码作业)