拟牛顿法公式推导以及python代码实现（一）

目录

1. 拟牛顿法
   1.1拟牛顿法的导出与优点
   1.2 算法步骤与特点
2. 对称秩一校正公式
3. DFP算法
   3.1 DFP公式推导
   3.2 要求解的问题
   3.3 python实现

1.拟牛顿法

1.1拟牛顿法的导出与优点

在上一文中（牛顿法公式推导与python实现），谈到说牛顿法需要计算一个Hessian矩阵的逆，才能够迭代，但在实际工程中，计算如此大型的矩阵需要很大的计算资源，因此，有人提出能否不计算Hessian矩阵，在迭代过程中，仅仅利用相邻两个迭代点以及梯度信息，产生一个对称正定矩阵，使之逐步逼近目标函数Hessian矩阵的逆阵。

其实这就是你牛顿法的基本思想，这样做，既能保存Hessian矩阵的大部分信息（曲率），也能极大的减小计算量。

考虑无约束极小化问题。假设目标函数$f:R^n \rightarrow R$是二次连续可微的，那么$\nabla f$在$x^{k+1}$处的泰勒展开为：

$$\nabla f(x) = \nabla f(x^{k+1}) + \nabla ^2f(x^{k+1})(x-x^{k+1}) + o||x-x^{k+1}||$$ ,取 $x:=x^k$.当 $x^k与x^{k+1}$充分接近时，有： $$\nabla^2f(x^{k+1})(x^{k+1 }- x^k) \approx \nabla f(x^{k+1}) - \nabla f(x^k)$$ $\nabla^2f(x^{k+1})$就是 $f(x)$在 $x^{k+1}$处的Hessian矩阵，那么我们可以用它的近似矩阵 $B_{k+1}$来代替它，得到如下等式： $$B_{k+1}(x^{k+1 }- x^k) = \nabla f(x^{k+1}) - \nabla f(x^k) \tag 1$$ 如该矩阵存在逆矩阵有： $$H_{k+1}(\nabla f(x^{k+1}) - \nabla f(x^k)) = x^{k+1 }- x^k \tag 2$$ 以上两个方程成为 拟牛顿方程（条件）。其中 $H_{k+1} = \nabla^2f(x^{k+1})^{-1}$,为Hessian的逆阵。

1.2 算法步骤与特点

拟牛顿法的算法步骤如下：

1. 给出$x_0 \in R^n,H_0 \in R^{nxn},$