用梯度法程序求极小值点

最新推荐文章于 2023-01-06 21:12:22 发布

Alexander plus

最新推荐文章于 2023-01-06 21:12:22 发布

阅读量808

点赞数

分类专栏：优化文章标签： python

本文链接：https://blog.csdn.net/Tianxuancsdn/article/details/116259700

版权

优化专栏收录该内容

4 篇文章 1 订阅

订阅专栏

本文介绍如何使用梯度法求解函数 f2(x1, x2) = (x1-2)^4 + (x1-2x2)^2 的极小值点，通过迭代更新 x1 和 x2 的过程，展示了如何利用numpy实现数值优化。最终找到极值点并打印结果。

摘要由CSDN通过智能技术生成

用梯度法程序求极小值点

import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl
import math
from mpl_toolkits.mplot3d import Axes3D
import warnings

def hyj():
    x1 = 0
    x2 = 3
    alpha = 0.001
    iter_num = 1
    
    def f2(x1, x2):
        return (x1-2)**4 + (x1-2*x2)**2

    def hx1(x1, x2):
        return 4*(x1-2)**3+2*x1-4*x2

    def hx2(x, y):
        return 4*x2
    GD_X1 = [x1]
    GD_X2 = [x2]
    GD_Y = [f2(x1,x2)]
    y_change = f2(x1,x2)
    while(y_change > 1e-10 and iter_num < 100) :
        tmp_x1 = x1 - alpha * hx1(x1,x2)
        tmp_x2 = x2 - alpha * hx2(x1,x2)
        tmp_y = f2(tmp_x1,tmp_x2)
        f_change = np.absolute(tmp_y - f2(x1,x2))
        x1 = tmp_x1
        x2 = tmp_x2
        GD_X1.append(x1)
        GD_X2.append(x2)
        GD_Y.append(tmp_y)
        iter_num += 1
    print("极值点" ,(x1, x2))
    print("极值" ,f2(x1,x2))
    print(GD_X1)
    print(GD_X2)
hyj()