2017 越南国家赛 第E题 European Trip 费马点问题(随机梯度下降+调参)

题意：

• 求平面内到3个点最短距离的点（费马点问题）
• 这个问题引申的有任意边费马点问题（多元韦伯问题）
• 详情参见这个网址https://www.cnblogs.com/cinemaparadiso/p/9008184.html

解法：随机梯度下降+疯狂调参

• 首先要求出我们要进行随机梯度下降的表达式$f(x)$$$f(x)=\sum _{i=1}^3\sqrt{(x-x_i{)}^2+(y-y_i{)}^2}$$
• 其次我们要找到找到每次迭代的x梯度和y梯度
  $$gradX=\sum _{i=1}^3\frac{x-x_i}{\sqrt{(x-x_i{)}^2+(y-y_i{)}^2}}$$
  $$gradY=\sum _{i=1}^3\frac{y-y_i}{\sqrt{(x-x_i{)}^2+(y-y_i{)}^2}}$$
• 如何求偏导参见链式法则
  $$f(g(x){)}^{\prime }=f^{\prime }(g(x))g(x{)}^{\prime }$$
• 于是得到迭代方程，减号的原因是要沿负梯度下降，$\alpha$为学习率$$x=x-\alpha \ast gradX$$
• y同理
• 但随机梯度下降需要从样本集中选择一个样本进行学习，我们直接选择上一个样本和当前求得梯度相乘，来学习样本集中的数据（其实这里不知道为什么）
  $$x_i=x_{i-1}-grad{X}_{i-1}\ast dis{t}_{i-1}\ast \alpha$$
• $dis{t}_{i-1}$代表上次的迭代点与三个顶点的距离之和
• 此时剩下的问题就是学习率$\alpha$和终止条件了，这个就全靠对数据的感觉
• 我的思路大概是这样的：

猜想1：学习率需要逐渐下降，这样才能够保证一开始迭代的快，可以脱出局部最优，之后迭代的慢，可以找到结果（正确）

猜想2：学习率会有一个最小值，不能无限小（错误）

不限制最小学习率居然算的更快

猜想3：用前一次迭代和后一次迭代的差来代表收敛情况，合适的前后差值应该在$10^{-6}-10^{-8}$（错误）

合适的范围是$10^{-9}-10^{-10}$

学习率更新

double learning_rate(double lr)
{
    return 0.99*lr;
}

终止条件

if (abs(pre-GetSum(p,n,cur))<1e-10)//--9也行
     break;

AC代码

#include<iostream>
#include<cstdio>
#include<cstring>
#include<algorithm>
#include<iomanip>
#include<cmath>

#define N 3
using namespace std;
struct Point
{
    double x, y;
} p[N];
double dist(Point a, Point b)//求两个顶点的距离
{
    return sqrt((a.x - b.x) * (a.x - b.x) + (a.y - b.y) * (a.y - b.y));
}
double GetSum(Point p[], int n, Point t)//求当前迭代点到三角形三个顶点的和
{
    double ans = 0;
    while (n--)
    {
        ans += dist(p[n], t);
    }
    return ans;
}
Point gradient(Point p[], int n, Point t)//求梯度
{
    Point grad;
    grad.x = 0;
    grad.y = 0;
    while (n--)
    {
        grad.x += (t.x - p[n].x) / dist(p[n], t);
        grad.y += (t.y - p[n].y) / dist(p[n], t);
    }
    return grad;
}
double learning_rate(double lr)
{
    return 0.99*lr;
}
void SGD(Point p[], int n)
{
    Point cur;
    //cur.x = p[0].x,cur.y = p[0].y;
    cur.x = (p[0].x + p[1].x + p[2].x) / 3;
    cur.y = (p[0].y + p[1].y + p[2].y) / 3;
    int cnt = 0;double lr = 0.1;
    while (true)
    {
        ++cnt;
        double pre = GetSum(p, n, cur);
        Point grad = gradient(p, n, cur);
        cur.x =cur.x - grad.x * lr * pre;
        cur.y =cur.y - grad.y * lr * pre;
        lr = learning_rate(lr);
        double now = GetSum(p, n, cur);

        //cout.setf(ios::fixed);
        //cout << setprecision(9);
        //cout << cur.x << " " << cur.y << endl;
        if (abs(pre-GetSum(p,n,cur))<1e-10)
            break;
    }
    //cout<<cnt<<endl;
    cout.setf(ios::fixed);
    cout << setprecision(9);
    cout << cur.x << " " << cur.y << endl;
}
int main()
{

    ios::sync_with_stdio(false);
    //freopen("E.txt","r",stdin);
    int n = 3;
    for (int i = 0; i < n; i++)
        cin >> p[i].x >> p[i].y;

    SGD(p, n);
    return 0;
}