算法思想
用迭代点 x k x_k xk处的一阶导数(梯度)和二阶导数(Hess矩阵)对目标函数进行二次函数近似,然后把二次模型的极小点作为新的迭代点,并不断重复这一过程,直至求得满足精度的近似极小点。
算法步骤
代码
Matlab代码如下(由阻尼牛顿法修改而来,不保证绝对正确,若有错欢迎指正):
function [x,val,k]=nm(fun,gfun,Hess,x0)
%功能: 用基本牛顿法求解无约束问题: min f(x)
maxk=100; %给出最大迭代次数
k=0; epsilon=10^(-5);
while(k<maxk)
gk=feval(gfun,x0); %计算梯度
Gk=feval(Hess,x0); %计算Hesse阵
dk=-Gk\gk; %解方程组Gk*dk=-gk, 计算搜索方向
if(norm(gk)<epsilon), break; end %检验终止准则
x0=x0+dk;
k=k+1;
end
x=x0;
val=feval(fun,x);
示例
编写基本牛顿法的Matlab程序,并求解无约束优化问题
m
i
n
f
(
x
)
=
4
x
1
2
+
x
2
2
−
x
1
2
x
2
minf(x)=4x_1^2+x_2^2-x_1^2x_2
minf(x)=4x12+x22−x12x2
该问题的初始点取x=(1,1)T,
ϵ
=
1
0
−
5
\epsilon =10^{-5}
ϵ=10−5,记录前20次迭代点列.
fun1函数文件:
function f=fun1(x)
f=4*x(1)^2+x(2)^2-x(1)^2*x(2);
gfun1函数文件:
function gf=gfun1(x)
gf=[8*x(1)-2*x(1)*x(2), 2*x(2)-x(1)^2]';
Hess1函数文件:
function He=Hess1(x)
n=length(x);
He=zeros(n,n);
He=[8-2*x(2), -2*x(1); -2*x(1),2];
交互界面输入:
x=[1,1]'
[x,val,k]=nm('fun1','gfun1','Hess1',x)
结果:
初始点 | 最优点x | 迭代次数k | 目标函数值f(x) |
---|---|---|---|
(1,1)T | (-0.1586,-0.1631)T*1.0e-04 | 4 | 1.2719e-09 |