G.Jerry的最速下降法笔记

该笔记初衷为期末复习所用,引用出处均已注明,涉及个人理解部分如果有不对之处,还请批评指正,俺会虚心接受滴!

1. 应用范围

无约束优化问题。

2. 相关定义(因为俺的基础比较差所以多给出一些定义,引用于https://www.zhihu.com/question/36301367/answer/156102040)

定义1  偏导数:如图1所示,在xy平面中,存在平行于x(y)的绿色直线和与其共面的蓝色曲线,关于这条曲线的红色切线的斜率。

 

1

定义2  方向导数,其意义为:f(x)在点x(k)处,沿方向d的变化率。即图2中红色直线的斜率。

注:在二维坐标系中,过某一点的切线只有一条;在三维坐标系中,过某一点的切线有很多条,它们可以组成一个切平面。因此,对于三维图像中的某一点,只有先确定一个方向d(方向向量),才能找到与d重合或共面的唯一切线,其斜率记为f(x)沿d方向的导数。

已知直线可以向两个方向无限延伸,那么沿一个方向取得方向导数的最大值,沿反方向取得方向导数的最小值。

2

梯度是一个矢量,它的方向是方向导数中取到最大值的方向,它的大小是方向导数的最大值。

那么,方向导数在什么方向最大?在图4中,方向导数最大<=>梯度方向<=>↙最陡峭↗(该句看不懂请忽略)。以小和尚下山为例,沿最陡峭的路线走时,小和尚下得最快。因此,沿着梯度方向函数值增长最快,沿着负梯度方向函数值减少最快。

定义3  全导数:通过图3来简单体会一下。(本节用不上)

3

那么,它们的数值如何计算呢?百度说这么算!

 3. 原理

        举个栗子!此刻,JerryTom在山顶,分别想去往山谷的两个最低处看湖。可是它们戴的头灯只能照亮一步远,只好摸索着向下走。这时,Jerry灵光乍现想起“最速下降法”!于是它每次沿着一个方向向下走一步;根据陡峭长度不同,Jerry每步的长度也不同,大约按照图中路线可以最快抵达。显然,它的路线可以用行进的方向和步长来阐述。

4(介个图也是前方参考的大聪明作者画的!)

        猜猜Jerry到底走的是哪个方向?设f(x)连续可微,函数值递减<=>方向导数为负。方向导数最小的方向<=>↖梯度↘反方向=坡度最陡=函数值下降最快。因此,f(x)在点x(k)处的搜索方向满足:方向导数最小。

       猜猜Jerry每走了多长?记当前落脚点{x^{(k)}}与下一步落脚点 {x^{(k + 1)}}之间的距离为步长λ,记下一步落脚点为{\lambda _k} = argminf({x^{(k + 1)}}) = argminf({x^{(k)}} + \lambda {d^{(k)}})f({x^{(k + 1)}})的极小点。此时,Jerry沿着最陡峭的方向一步下落至它所能及的最低处。于是,当\frac{​{df({x^{(k)}} + \lambda {d^{(k)}})}}{​{d\lambda }} = 0{\lambda _k}取得极小点,这就可以求出Jerry的步长。同时,

\begin{gathered} \frac{​{df({x^{(k)}} + \lambda {d^{(k)}})}}{​{d\lambda }}\left| {_{\lambda = {\lambda _k}}} \right. = {d^{(k)}}^T\frac{​{df({x^{(k + 1)}})}}{​{d{x^{(k + 1)}}}} \\ = {d^{(k)}}^T\nabla f({x^{(k + 1)}}) \\ = - {d^{(k)}}^T{d^{(k + 1)}} \\ = 0 \\ \end{gathered}

又表明 {d^{(k)}}{d^{(k+1)}}存在正交关系。

3.步骤

        总之呢就是,先找到一个初始点,每个点按照规定的步长和方向去延伸,当精度要求满足时停下!这里附上俺们教材上的步骤。

2021.09.24 

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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