采用0.618法进行一维搜索

简介

0.618法（Golden Section Search）又称黄金分割法，是一种用于一维函数优化的方法。该方法基于黄金分割点的概念，通过不断缩小搜索范围来逼近函数的最优解。
具体步骤如下：

1. 选取一个初始区间[a, b]，确保函数在该区间内是凸函数。
2. 计算两个内分点c和d，使得c = a + 0.382(b - a)，d =a + 0.618(b - a)。
3. 比较在c和d处的函数值，确定新的区间[a, b]。
4. 不断重复步骤2和步骤3，直到满足收敛条件为止。

0.618法的优点是收敛速度比较快，且不需要函数的导数信息。然而，该方法对初始区间的选取比较敏感，可能会导致结果受到区间选择的影响。

优化问题

求解$min\varphi (x)=x^2+2x$，$s.t.-3\le x\le 5$，明显$\varphi (x)$在可行域区间上是凸函数，因此，设置收敛精度$\delta =1e^{-3}$。计算程序如下：

# 采用0.618法求解凸函数的极小值
def golden_section_method(a, b, gap):
    """
    采用黄金分分割法求解f(x)=x**2+2*x，在区间[-3,5]上的最小值
    :param a: 区间左端点
    :param b: 区间右端点
    :param gap: 收敛精度
    """
    i = 0
    while (b-a) > gap:
        x1 = a+0.382*(b-a)
        x2 = a+0.618*(b-a)
        f_x1 = cal_fun_value(x1)
        f_x2 = cal_fun_value(x2)
        if f_x1 < f_x2:
            a = a
            b = x2
        else:
            a = x1
            b = b
        i += 1
        print(f"第{i}次迭代最小值", (a+b)/2)

# 计算函数值
def cal_fun_value(x):
    return x**2+2*x

if __name__ == "__main__":
    golden_section_method(-3, 5, 1e-3)

结果输出如下：

第1次迭代最小值 -0.528
第2次迭代最小值 -1.472304
第3次迭代最小值 -0.8887241280000001
第4次迭代最小值 -1.2493764888960002
第5次迭代最小值 -1.026493329862272
第6次迭代最小值 -0.8887515375794283
第7次迭代最小值 -0.9738759652102258
第8次迭代最小值 -1.0264828614860586
第9次迭代最小值 -0.9939717995875939
第10次迭代最小值 -1.014063635840845
第11次迭代最小值 -1.001646881036336
第12次迭代最小值 -0.9939733265671491
第13次迭代最小值 -0.9987155832291066
第14次迭代最小值 -1.0016462978461962
第15次迭代最小值 -0.9998351162128348
第16次迭代最小值 -1.0009544264622523
第17次迭代最小值 -1.0002626927281124
第18次迭代最小值 -0.9998352012804138
第19次迭代最小值 -1.0000993909950915

可知当计算到第19次时已经满足收敛精度了得到极小值点为-1。