采用平分法进行一维搜索

简介

平分法是一种简单有效的一维搜索方法，其优点是每一步的计算量都较小，程序实现简单，并且总能收敛于一个局部极小点，缺点是收敛的速度很慢。其基本思想是：若$f(x)$在区间$[a,b]$内连续且可导，即$f(x)\in C^1[a,b]$，且$f^{{}^{\prime }}(a)<0$和$f^{{}^{\prime }}(b)>0$，则在a,b区间内必定存在一点$x^{\ast }$，使得$f^{{}^{\prime }}(x^{\ast })=0$。详细的实施步骤如下：

1. 令$x_0=(a+b)/2$，若$f^{{}^{\prime }}(x)>0$，则$f(x)$在$[a,x_0]$上有极小点；反之，则$f(x)$在$[x_0,b]$上有极小点。
2. 让$[a,x_0]$或$[x_0,b]$取代区间$[a,b]$，重复步骤1，直至$(b-a)<\delta$，$\delta$表示给定的收敛精度。

从上面的步骤不难看出，平分法其实与0.618法较为相似，不同的是平分法需要用到导数信息。

优化问题

求$f(x)=3x^4-16x^3+30x^2-24x+8$在$[0,3]$上的极小值点。
计算程序如下：

def bisection_f(a, b, gap):
    """
    采用平分法求解区间极小值或极大值点
    :param a: 区间左端点
    :param b: 区间右端点
    :param gap: 收敛精度
    """
    # 判断端点导数是否异号
    if derivative_cal_f(a)*derivative_cal_f(b) >= 0:
        sys.exit("a, b端点导数必须异号!")
    if derivative_cal_f(a) < derivative_cal_f(b):
        name = "极小值"
    else:
        name = "极大值"
    i = 0
    while (b-a) > gap:
        d_a = derivative_cal_f(a) # 端点a的导数
        d_b = derivative_cal_f(b)  # 端点b的导数
        x = (a+b)/2
        d_x = derivative_cal_f(x)
        if d_a < d_b:
            if d_x > 0:
                a = a
                b = x
            else:
                a = x
                b = b
        else:
            if d_x > 0:
                a = x
                b = b
            else:
                a = a
                b = x
        i += 1
        print(f"第{i}次迭代{name}点", (a+b)/2)

def derivative_cal_f(x):
    """
    导数计算函数
    """
    return 12*x**3-48*x**2+60*x-24

if __name__ == "__main__":
    bisection_f(0, 3, 1e-3)

计算结果如下所示：

第1次迭代极小值点 2.25
第2次迭代极小值点 1.875
第3次迭代极小值点 2.0625
第4次迭代极小值点 1.96875
第5次迭代极小值点 2.015625
第6次迭代极小值点 1.9921875
第7次迭代极小值点 2.00390625
第8次迭代极小值点 1.998046875
第9次迭代极小值点 2.0009765625
第10次迭代极小值点 1.99951171875
第11次迭代极小值点 2.000244140625
第12次迭代极小值点 1.9998779296875

当迭代到第12次的时候得到满足收敛精度的极小值点，即2。