线性与非线性规划：共轭梯度法

最新推荐文章于 2024-04-14 08:10:46 发布

S_Radar

最新推荐文章于 2024-04-14 08:10:46 发布

阅读量768

点赞数

分类专栏：线性与非线性规划最优化文章标签： python

本文链接：https://blog.csdn.net/qq_45397810/article/details/126301892

版权

本文介绍了共轭梯度法，一种无约束最优化方法，结合了最速下降与共轭方向。通过Python代码示例展示了如何解决二次函数问题，并详细解释了算法过程。经过多次迭代，最终找到极小点[0, 0]，函数值为0。" 134988948,10855012,Mybatis-Plus框架详解与使用教程,"['Java', '数据库', '开发框架', 'Mybatis']

摘要由CSDN通过智能技术生成

前言

本系列涉及线性与非线性规划中的几种规划算法

1.本节介绍共轭梯度方法
2.参考：陈宝林-最优化理论与算法
3.采用python编程实现，已测试，代码可行

一、共轭梯度法

无约束最优化方法的核心问题是选择搜索方向，共轭梯度就是基于共轭方向的一种算法。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索，求出目标函数的极小点，具有二次终止性。
关于该方法的详细介绍，参见陈宝林的共轭梯度法这一小节。

二、代码示例

1.代码

代码如下（示例）：

#共轭梯度法：FR法，参考书陈宝林
#对于二次凸函数：1/2*xTAx+bTx+c
from sympy import *
import numpy as np
class Gongetidu_Function:
    def __init__(self,Xi):
        self.Xi = Xi
    def dict(self,X):
        dict = {
   }
        for index,item in enumerate(self.Xi):#存储初始值
            dict[item] = X[index]
        Xk = dict
        return  Xk
    def d_function(self,f):#如何直接求解出矩阵排列的形式
        df = []
        for i in self.Xi:
            df.append(diff(f,i))
        df = np.array(df)
        print(f'一阶偏导为{df}')
        return