#数值优化算法#一维极值之黄金分割

黄金分割法也叫0.618法,是一种基于区间收缩的极小值搜索算法。
比如以 [ a , b ] [a,b] [a,b] 为区间,产生两个内点
x 1 = a + 0.382 ∗ ( b − a ) x 2 = a + 0.618 ∗ ( b − a ) x_1 = a + 0.382*(b-a)\\ x_2 = a + 0.618*(b-a) x1=a+0.382(ba)x2=a+0.618(ba)
然后根据 f ( x 1 ) , f ( x 2 ) f(x_1),f(x_2) f(x1),f(x2) 的大小进行区间更新:

  1. 如果 f ( x 1 ) &lt; f ( x 2 ) f(x_1)&lt;f(x_2) f(x1)<f(x2),区间变为 [ x 1 , b ] [x_1,b] [x1,b]
  2. 如果 f ( x 1 ) &gt; f ( x 2 ) f(x_1)&gt;f(x_2) f(x1)>f(x2),区间变为 [ a , x 2 ] [a,x_2] [a,x2]

matlab 实现

% 一维极值搜索
function [x,minf] = minHJ(f,a,b,eps)
format long;
if nargin == 3
    eps = 1.0e-6;
end

l = a + 0.382*(b-a);
u = a + 0.618*(b-a);
k = 1;
tol = b-a;

while tol > eps && k < 100000
    fl = subs(f, symvar(f), l);
    fu = subs(f, symvar(f), u);
    if fl > fu
        a = l;
        l = u;
        u = a + 0.618*(b - a);
    else
        b = u;
        u = l;
        l = a + 0.382*(b - a);
    end
    k = k + 1;
    tol = abs(b - a);
end
if k == 100000
    disp('Can find the solution');
    x = NaN;
    minf = Nan;
    return;
end
x = (a+b)/2;
minf = subs(f, symvar(f),x);
format short;
  • 2
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
共轭梯度法是求解线性方程组的一种有效方法,MATLAB中提供了相关的函数可以使用。这里我们将介绍如何手动编写共轭梯度法程序。 首先,我们需要明确共轭梯度法的基本思路。共轭梯度法是一种迭代算法,其核心思想是通过利用前一次迭代得到的信息来加速收敛。具体来说,对于一个对称正定的系数矩阵A和一个右端向量b,共轭梯度法的基本步骤如下: 1. 初始化迭代:取一个初始向量x0和残差向量r0=b-Ax0,设置迭代次数k=0。 2. 计算搜索方向:对于第k次迭代,计算搜索方向p_k=r_k,如果k=0,则p_0=r_0;否则,p_k=r_k+beta_k*p_{k-1},其中beta_k是一个系数,定义为beta_k=(r_k'*r_k)/(r_{k-1}'*r_{k-1})。 3. 计算步长:沿着搜索方向p_k移动一个步长alpha_k,使得x_{k+1}=x_k+alpha_k*p_k。 4. 更新残差:计算新的残差r_{k+1}=b-Ax_{k+1}。 5. 检查停止条件:如果满足停止条件(如残差的范数小于某个阈值),则停止迭代;否则,令k=k+1,返回步骤2。 基于以上思路,我们可以编写共轭梯度法的MATLAB程序。下面是一个简单的例子: ```matlab function [x, k] = conjgrad(A, b, x0, tol, maxiter) % 输入参数: % A: 系数矩阵 % b: 右端向量 % x0: 初始向量 % tol: 残差的阈值 % maxiter: 最大迭代次数 % 输出参数: % x: 迭代结束时的解向量 % k: 实际迭代次数 r = b - A * x0; % 初始残差 p = r; % 初始搜索方向 x = x0; % 初始解向量 k = 0; % 初始迭代次数 while norm(r) > tol && k < maxiter alpha = (r'*r) / (p' * A * p); % 计算步长 x = x + alpha * p; % 更新解向量 r_new = r - alpha * A * p; % 计算新的残差 beta = (r_new' * r_new) / (r' * r);% 计算beta p = r_new + beta * p; % 计算新的搜索方向 r = r_new; % 更新残差 k = k + 1; % 更新迭代次数 end end ``` 这个程序定义了一个名为conjgrad的函数,输入参数包括系数矩阵A、右端向量b、初始向量x0、残差阈值tol和最大迭代次数maxiter。输出参数包括迭代结束时的解向量x和实际迭代次数k。 在函数内部,我们首先计算了初始残差r、初始搜索方向p和初始解向量x。然后进入迭代循环,直到满足停止条件为止。在每次迭代中,我们先计算了步长alpha,然后更新了解向量x。接着计算了新的残差r_new和新的搜索方向p,最后更新了残差和迭代次数。在迭代结束后,函数返回最终的解向量和实际迭代次数。 使用这个函数非常简单,只需要提供系数矩阵A、右端向量b和初始向量x0,以及其他参数即可。例如: ```matlab A = [4 -1 0; -1 4 -1; 0 -1 4]; b = [10; 10; 10]; x0 = [0; 0; 0]; tol = 1e-6; maxiter = 100; [x, k] = conjgrad(A, b, x0, tol, maxiter); disp(['迭代次数:', num2str(k)]); disp(['解向量:', num2str(x')]); ``` 这个例子是求解线性方程组Ax=b,其中系数矩阵A是一个对称正定矩阵。我们设置了初始向量x0=[0; 0; 0],残差阈值tol=1e-6和最大迭代次数maxiter=100,然后调用conjgrad函数求解。最后输出了迭代次数和解向量。

“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