- 博客(11)
- 收藏
- 关注
RSS订阅原创 最优化学习笔记4（外点罚函数法，内点罚函数法）
外点法和内点法均采用序列无约束极小化技巧，方法简单，使用方便，并能够用来求解导数不存在的问题，因此这种算法对实际工作者确有吸引力，而且已经得到较广泛的应用。但是，上述的罚函数法存在固有的缺点，随着罚因子趋向于极限，罚函数的Hesse矩阵的条件数无限增大，因而越来越变得病态，给无约束极小化带来很大困难。GitHub - QiangLong2017/Optimization-Theory-and-Algorithm: 用于存放《最优化理论与算法》代码与课件。
2024-05-06 16:09:17
1666
原创 最优化学习笔记3（ZoutendijK可行方向法、Rosen投影梯度法、Frank-Wolfe方法）
以上三种方法均适用与约束情况下的非线性最优化问题，他们的核心就是寻找可行方向，第一个方法时将其转换为线性优化问题，第二个是利用投影方向，第三个是将目标函数线性化（泰勒），转换为线性规划问题。他们三个办法都用到了目标函数的梯度。
2024-04-22 17:14:01
2686
1
原创 最优化学习笔记2（交替方向法、单纯形法）
之前介绍的牛顿法、拟牛顿法、最速下降法、共轭方向法都需要知道最优化目标函数的梯度，但是在现实情况下，目标函数的梯度不方便求解甚至目标函数本身未知，此时再用无约束非线性规划的导数方法不现实，于是就有了无约束非线性规划的直接方法。
2024-04-19 16:49:31
784
1
原创 最优化学习笔记（最速下降法、牛顿法、共轭梯度法、拟牛顿法）
最速梯度下降法是比较常用的算法，前期收敛比较快，后面可能会陷入无限循环，代码如下： 假设一个函数的表达式已知： 则梯度矩阵为： 计算一维搜索的函数，让函数在某个方向前进：最速下降法整体流程：最后是测试函数：2.牛顿法 下面是牛顿法的代码，和上面大差不差，就是需要在单独写一个计算海森矩阵的函数，这也是牛顿法计算量大的地方3.共轭梯度法 在共轭梯度法中，每一次迭代都会在一个共轭方向上进行搜索，这个共轭方向是基于前一步的搜索方向计算得到的。在
2024-04-19 11:49:30
535
1
原创 linux安装显卡驱动
最近刚刚接手实验室的新电脑，由于我对linux系统操作不是很熟，一直搞不清楚电脑配置。今天鼓捣了一下，发现在设置页面能看到显卡信息，但是不知道是具体什么型号，于是就去学习了以下。
2023-09-08 20:18:35
211
2
原创 ROS1 tf2工具使用
在明确了不同坐标系之间的的相对关系，就可以实现任何坐标点在不同坐标系之间的转换，但是该计算实现是较为常用的，且算法也有点复杂，因此在 ROS 中直接封装了相关的模块: 坐标变换(TF)。在ROS中坐标变换最初对应的是tf，不过在 hydro 版本开始, tf 被弃用，迁移到 tf2,后者更为简洁高效，tf2对应的常用功能包有:tf2_geometry_msgs:可以将ROS消息转换成tf2消息。tf2: 封装了坐标变换的常用消息。tf2_ros:为tf2提供了roscpp和rospy绑定，封装
2023-09-02 20:34:42
151
原创 古月居ROS2学习笔记——launch
每当我们运行一个ROS节点，都需要打开一个新的终端运行一个命令。机器人系统中节点很多，每次都这样启动好麻烦呀。有没有一种方式可以一次性启动所有节点呢？答案当然是肯定的，那就是Launch启动文件，它是ROS系统中多节点启动与配置的一种脚本。Launch文件是基于Python描述的核心目的是启动节点，在命令行中输入的各种参数，在launch文件中也有很多的代码模板，还可以是使用Python原有的编程功能。
2023-08-12 22:35:40
402
1
原创 ROS2中的发布/订阅模型（古月居ros2学习笔记）
常用的usb相机驱动一般都是通用的，ROS中也集成了usb相机的标准驱动，我们只需要通过这样一行指令，就可以安装好，无论你用什么样的相机，只要符合usb接口协议，就可以直接使用ROS中的相机驱动节点，发布标准的图像话题了。话题数据传输的特性是从一个节点到另外一个节点，发送数据的对象称之为发布者，接收数据的对象称之为订阅者，每一个话题都需要有一个名字，传输的数据也需要有固定的数据类型。这样，我们的代码又得到了进一步精简，刚才自己写的图像发布节点换成了这样一句指令，视觉识别节点不需要做任何变化。
2023-08-07 11:12:17
1337
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人