算法思想
由于实际问题的精确极小点一般是不知道的, 因此初始点的选取给算法的实际操作带来了很大的困难. 为了克服这一困难, 可引入线搜索技术以得到大范围收敛的算法, 即所谓的阻尼牛顿法.
算法步骤
基于 Armijo 搜索的阻尼牛顿法如下:
代码
Matlab代码如下:
function [x,val,k]=dampnm(fun,gfun, Hess,x0)
%功能: 用阻尼牛顿法求解无约束问题: min f(x)
%输入: x0是初始点, fun, gfun, Hess 分别是求
% 目标函数,梯度,Hesse 阵的函数
%输出: x, val分别是近似最优点和最优值, k是迭代次数.
maxk=100; %给出最大迭代次数
rho=0.55;sigma=0.4;
k=0; epsilon=1e-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
m=0; mk=0;
while(m<20) % 用Armijo搜索求步长
if(feval(fun,x0+rho^m*dk)<feval(fun,x0)+sigma*rho^m*gk'*dk)
mk=m; break;
end
m=m+1;
end
x0=x0+rho^mk*dk;
k=k+1;
end
x=x0;
val=feval(fun,x);
%gval=norm(gfun(x));
示例
考虑无约束优化问题
m
i
n
f
(
x
)
=
100
(
x
1
2
−
x
2
)
2
+
(
x
1
−
1
)
2
minf(x)=100(x_1^2-x_2)^2+(x_1-1)^2
minf(x)=100(x12−x2)2+(x1−1)2
该问题又精确解x=(1,1)T,
f
(
x
)
=
0
f(x)=0
f(x)=0.
fun函数文件:
%目标函数
function f=fun(x)
f=100*(x(1)^2-x(2))^2+(x(1)-1)^2;
gfun函数文件:
%梯度
function gf=gfun(x)
gf=[400*x(1)*(x(1)^2-x(2))+2*(x(1)-1), -200*(x(1)^2-x(2))]’;
Hesse 阵:
function He=Hess(x)
n=length(x);
He=zeros(n,n);
He=[1200*x(1)^2-400*x(2)+2,-400*x(1);-400*x(1),200];
交互界面输入:
x0=[-1.2 1]’;
[x,val,k]=dampnm(’fun’,’gfun’,’Hess’,x0)
结果: