共轭梯度法（FR法）

已于 2022-03-27 16:48:23 修改
阅读量6.1k 收藏 13
点赞数 3
分类专栏： 智能算法 矩阵论 文章标签： C FR 优化算法 共轭梯度法
于 2019-10-27 15:31:45 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_37772174/article/details/83312262
版权
本文介绍了优化算法中的共轭梯度法，通过一个2D问题的例子详细解释了算法过程，并提供了算法实现的步骤。文章首先强调了优化算法学习的挑战性，然后引用文献概述理论，接着详细展示如何求解使点到多条直线距离平方和最小的问题，最后给出了算法的具体实现。
摘要由CSDN通过智能技术生成

       优化算法的学习是有一定难度的（也许有人不这么想，但即使你是天赋异禀的天之骄子，敬畏知识也是一种美德）。笔者本着敬畏知识的态度，从基本理论出发，逐步引入优化算法的殿堂。

     关于共轭梯度法理论的介绍，可以通过参考文献【1】了解

    这里我通过一个例子来介绍共轭梯度法

   \widetilde{x}=(x,y,1)^{T}                  (1)

   \widetilde{l}=(a,b,c)^{T}                   (2)     

   公式（1）（2）给出了2D点与2D直线的表达方法

   现有多条直线，求一个，使其到每条直线的距离的平方和最小（这是一道图像算法入门的经典例题）

  对每条直线进行归一化有

{a}'=a/\sqrt{a^{2}+b^{2}};\, {b}'=b/\sqrt{a^{2}+b^{2}};{c}'=c/\sqrt{a^{2}+b^{2}};

令 

最低0.47元/天 解锁文章
程序员AlbertTu
关注
专栏目录
共轭梯度法
u010545732的专栏
02-26 3920
共轭梯度法是介于最速下降法与牛顿法之间的一个方法，它仅需利用一阶导数信息，但克服了最速下降法收敛慢的缺点，又避免了牛顿法需要存储和计算Hesse矩阵并求逆的缺点，共轭梯度法不仅是解决大型线性方程组最有用的方法之一，也是解大型非线性最优化最有效的算法之一.    最初是由计算数学家Hestenes和几何学家Stiefel于1952年为求正定系数矩阵线性方程组而独立提出的.他们合作的著名
FR共轭梯度法.zip
06-03
FR共轭梯度法，输入目标函数、初始点、精度，能够得到整个求解过程，每一步迭代的结果都能打印出来，方便初学者学习，跟教材完全对应。
FR共轭梯度法
qingfengxd1的博客
04-25 7991
Fletcher-Reeves共轭梯度法，简称FR法。 共轭梯度法的基本思想是把共轭性与最速下降方法相结合，利用已知点处的梯度构造一组共轭方向，并沿这组方向进行搜素，求出目标函数的极小点。根据共轭方向基本性质，这种方法具有二次终止性。 对于二次凸函数的共轭梯度法： minf(x)=1/2xTAx+bTx+c, 其中x∈Rn，A是对称正定矩阵，c是常数。 具体求解方法如下： 首先，任意给定一个初始点x(1)，计算出目标函数f(x)在这点的梯度，若||g1||=0，则停止计算；...
共轭梯度算法之FR算法
qiuxinmin的博客
11-30 4708
共轭梯度算法之FR算法引理FR算法算法步骤 引理 若f(x)=12xTGx+δTx+γf(x)=\frac{1}{2}x^TGx+\delta^T x+\gammaf(x)=21​xTGx+δTx+γ为正定函数,则ϕ(αk)=minαf(xk+αdk)\phi(\alpha_k)=\underset{\alpha}{min}f(x_k+\alpha d_k)ϕ(αk​)=αmin​f(xk​+αdk​)有如下形式的解： αk=−∇f(xk)TdkdkTGdk \alpha_k=-\frac{\nabla f
matlab_FR共轭梯度算法+BFGS拟牛顿算法
11-12
matlab_FR共轭梯度算法+BFGS拟牛顿算法 求解实例在funf.m中，我是手动求解的g，大家可以自动求。
最优化理论 无约束规划 FR算法 共轭梯度法求极小点
qq_45750017的博客
11-29 4746
前言 调用库 sympy，符号计算库，可以用来求偏导、带值计算、求解方程等。 import sympy as sp import numpy as np 针对规划问题 取初始点x0=(3, -1, 0, 1) 设置精度范围 e = 0.05 这里精度小了会发现迭代次数非常多，我设置了10^3 能迭代两百多次，这里设置为0.05迭代大概四十八次结束，但是会发现两次计算结果不一样，我估计是因为精度要求不同下降得到的极小点不同，应该选择了其他的局部解。 共轭梯度法基本步骤 ①取初始点 x0，设置精度，令迭代次
ｆｒ共轭梯度法＋割线法_matlab_梯度法_
09-30
总结来说，"fr共轭梯度法＋割线法_matlab_梯度法_"这个主题涉及了数值优化中的共轭梯度法、割线法和梯度法，并强调了它们在MATLAB环境中的应用。资料可能包含了一个或多个MATLAB脚本，用于演示如何在实际问题中结合...
基于Python共轭梯度法与最速下降法之间的对比
01-21
在一般问题的优化中，最速下降法和共轭梯度法都是非常有用的经典方法，但最速...共轭梯度方法（FR格式）、共轭梯度法（PRP格式）、最速下降法 # -*- coding: utf-8 -*- Created on Sat Oct 01 15:01:54 2016 @author
2.zip_FR_FR共轭梯度_FR共轭梯度法_无约束极值_用FR算法求解
07-13
FR共轭梯度法求非线性无约束最优化（函数极值）问题
无约束共轭梯度方法 FR PRP HS DY
03-25
正在学习无约束共轭梯度方法希望大家一起讨论！
共轭梯度算法C++实现
03-02
共轭梯度算法C++版本，适用于求解大型线性方程组，系数矩阵必须是对称正定。
共轭梯度法c++程序
05-23
共轭梯度法c++程序，也有黄金分割法和进退搜索法，可以使用，有介绍。/*以下是进退法搜索区间源程序*/ void sb(double *a,double *b,double x[],double p[]) { double t0,t1,t,h,alpha,f0,f1; int k=0; t0=2.5; /*初始值*/ h=1; /*初始步长*/ alpha=2; /*加步系数*/ f0=f(x,p,t0); t1=t0+h; f1=f(x,p,t1); while(1) { if(f1<f0) { h=alpha*h; t=t0; t0=t1; f0=f1; k++; } else { if(k==0) {h=-h;t=t1;} else { *a=tt1?t:t1; break; } } t1=t0+h; f1=f(x,p,t1); } }
非线性共轭梯度法C++源码
05-29
一个非线性共轭梯度法C++源码，含一个简单的非线性方程组，可以应用扩展到M*N情况下。
共轭梯度法_共轭梯度法_
10-03
应用于正定对称稀疏系数矩阵的方程求解，对特定类型方程求解进行加速
FR算法
mmmmmk_的博客
06-28 4197
FR算法将所有的结点看做是电子，每个结点收到两个力的作用：1. 其他结点的库伦力（斥力）2. 边对点的胡克力（引力）。那么在力的相互作用之下，整个布局最终会称为一个平衡的状态。算法结构： 1. 给所有的点一个初始的随机位置 2. 计算每个点收到其他点的库伦力以及所有边对该点的胡克引力，得到该点受到的最终力。 3. 根据步骤2计算的力得到位置的偏移，调整布局中点的位置。 4. 迭代2，
重开始的FR共轭梯度法
weixin_41514525的博客
11-24 1658
共轭梯度法是共轭方向法的一种。 共轭方向法是在牛顿法和最速下降法之间取了一个折中。每次计算没有牛顿法计算量那么大，收敛的速度又快于最速下降法。 至于为什么重新开始 是因为在靠近解空间的时候，目标函数近似一个正定的二次函数，这时如果不取负梯度方向，即便对于正定二次函数往往也不能产生n个共轭梯度方向，说变量就是为了在靠近解时加速以下，提高算法的效率。 代码实现: from 实用优化算法.hel...
FR算法(Fruchterman-Reingold)
aigan7961的博客
03-01 4459
网络图布局算法 在写课设的时候为了实现前趋图的自动布局，参看了有名的网络图软件gephi，决定使用FR算法对节点进行自动布局。 算法基本思想 FR算法将所有的结点看做是电子，每个结点收到两个力的作用：1. 其他结点的库伦力（斥力）2. 边对点的胡克力（引力）。那么在力的相互作用之下，整个布局最终会称为一个平衡的状态。 算法中将排斥力和吸引力设置为 ​ \(f_a(d) = \frac...
网络布局算法之【FR算法(Fruchterman-Reingold)】
热门推荐
漫游学海之旅
09-10 2万+
FR算法(Fruchterman-Reingold) 属于 力引导布局算法类别。力引导布局（Force-directed Layout）力引导布局最早由Peter Eades在1984年的“启发式画图算法”一文中提出，目的是减少布局中边的交叉，尽量保持边的长度一致。此方法借用弹簧模型模拟布局过程：用弹簧模拟两个点之间的关系，受到弹力的作用后，过近的点会被弹开而过远的点被拉近；通过不断的迭代，整个布局
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

程序员AlbertTu

感谢支持

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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