二分法（算法分析+python代码解释）

背对人潮

已于 2023-10-24 12:25:43 修改

阅读量268

点赞数

分类专栏： # 一维搜索算法最优化问题文章标签： 1024程序员节算法 python pycharm

于 2023-10-24 12:25:15 首次发布

本文链接：https://blog.csdn.net/m0_61209712/article/details/134008436

版权

最优化问题同时被 2 个专栏收录

24 篇文章 13 订阅

订阅专栏

一维搜索算法

5 篇文章 2 订阅

订阅专栏

前言：

在前期，我们讨论了成功失败算法和黄金分割算法，那么这一期，我们来看看一种最为常见也最为简单的一维搜素方法——二分法

成功-失败算法（算法分析+python代码解释）https://blog.csdn.net/m0_61209712/article/details/133940690

黄金分割算法（算法分析+python代码解释）https://blog.csdn.net/m0_61209712/article/details/133973395

当对收敛速度要求不是很高并且函数性质较好时，我们就可以采用两分法。具体做法如下：

设函数 $f(x)$ 在区间[a，b]上为具有一阶导数的单峰函数，且满足 $f'(a)< 0,f'(b)> 0$ 。令 $x_{0}=\frac{a+b}{2}$ ，如果 $f'(x_{0})=0$ ，则最优解为 $x^{*}=x_{0}$ 。若 $f'(x_{0})< 0$ ，则令 $a:= x_{0}$ ，区间被减半，重新开始。若 $f'(x_{0})> 0$ ，则令 $b:= x_{0}$ ，区间被减半，重新开始，直到区间的长度小于事先给定的精度ε，或者 $\left | f'(x_{0}) \right |<$ ε为止。

算法步骤：

步骤1：给定a，b，ε $>$ 0.

步骤2：计算 $x_{0}:= \frac{a+b}{2}$ 。

步骤3：如果 $\left | f'(x_{0}) \right |<$ ε或者 $\left | b-a \right |<$ ε，则转步骤4。否则若 $f'(x_{0})< 0$ ，则令 $a:= x_{0}$ ，转步骤2；若 $f'(x_{0})> 0$ ，则令 $b:= x_{0}$ ，转步骤2。

步骤4：停止，输出 $x_{0}$

例题分析：

下面我们通过一道例题来加深一下对算法的认识。

例题：试用二分法求目标函数 $f(x)=x^{3}-2x+1$ 的最优解。给定初始区间[0，2]，收敛精度ε=0.004.

解：首先判断在给定区间内是否含有极点：

$\because f'(x)=3x^{2}-2,f'(0)=-2,f'(2)=10$

$\therefore$ 函数在该区间有极小值

第一次区间缩短计算过程：

$x_{0}= \frac{a+b}{2}=1,f'(1)=1> 0,$ 令 $b:= x_{0}=1$ ,又 $\left | b-a \right |>$ ε,开始下一次

第二次区间缩短计算过程：

$x_{0}= \frac{a+b}{2}=\frac{1}{2},f'(\frac{1}{2})=-\frac{1}{2}< 0,$ 令 $a:= x_{0}=\frac{1}{2}$ ,又 $\left | b-a \right |>$ ε,开始下一次

第三次区间缩点计算过程：

$x_{0}= \frac{a+b}{2}=\frac{3}{4},f'(\frac{3}{4})=-\frac{5}{16}< 0,$ 令 $a:= x_{0}=\frac{3}{4}$ ,又 $\left | b-a \right |>$ ε,开始下一次

------

第九次区间缩短计算过程：

$x_{0}= \frac{a+b}{2}=\frac{209}{256},\left [ a,b \right ]=\left [ \frac{209}{256},\frac{105}{128} \right ]$ ，又 $\left | b-a \right |=\frac{1}{256}\approx 0.00391<$ ε,故 $x^{*}=\frac{a+b}{2}=0.81836$

算法代码：

'''
二分法算法
2023.10.9
'''
from sympy import *
x = symbols("x")
f_x = x ** 2 + 2 * x - 10
def run(a,b,ε):
    count = 0
    # 一阶求导
    first_grad = diff(f_x, x)
    # 判断给定区间内是否存在极小点
    if first_grad.subs({x: a})*first_grad.subs({x:b}) > 0:
        print("该函数在该区间不存在极小点,该函数在该区间单调")
        if f_x.subs({x:a}) > f_x.subs({x:b}):
            print("最小值在{}处取到".format(b),"为{}".format(f_x.subs({x:b})))
        elif f_x.subs({x:a}) < f_x.subs({x:b}):
            print("最小值在{}处取到".format(a),"为{}".format(f_x.subs({x:a})))
    else:
        print("该函数在该区间存在极小点")
        while abs(b-a) > ε:
            count = count+1
            print("第{}次迭代".format(count))
            x0 = (a+b)/2
            #print(x0)
            if first_grad.subs({x: x0}) > 0:
                b = x0
            elif first_grad.subs({x: x0}) < 0:
                a = x0
            elif first_grad.subs({x: x0}) == 0:
                print("该精度下的最优解是：%f" % x0)
                print("缩短之后的区间为：[%f,%f]" % (a, b))
                break
        print("缩短之后的区间为：[%f,%f]"%(a,b))
        print("该精度下的最优解是：%f"%x0)
        return x0
run(-1,5,0.0001)

用该代码所运算的结果为：

该函数在该区间存在极小点
第1次迭代
第2次迭代
第3次迭代
第4次迭代
第5次迭代
第6次迭代
第7次迭代
第8次迭代
第9次迭代
第10次迭代
第11次迭代
第12次迭代
第13次迭代
第14次迭代
第15次迭代
第16次迭代
缩短之后的区间为：[-1.000000,-0.999908]
该精度下的最优解是：-0.999908