无论是利用两步法还是直接法定位,一般的定位求解方法分为网格搜索法、迭代类算法(梯度下降法、高斯牛顿法、牛顿法)和部分仿生算法(如粒子群、GA等等)。
1 网格搜索法
就是在目标可能存在的区域内按一定搜索步长进行搜索,每个搜索点都可能是真实目标点。该类是最常见的,在测量和带求量之间存在高度非线性时仍可以得到全局最优解,但是计算量和搜索区域以及搜索步长成正比关系,精度和搜索步长成反比,一般是粗搜和细搜相结合。
2 迭代类算法
迭代类算法有很多种,但是,此处仅分析这三种常用的算法。迭代类算法需要分析收敛性和全局收敛问题(注意:这两个不是一个东西,一个是是否收敛;一个是是否收敛到全局最优,因为迭代类算法很容易收敛到局部最优点)。
2.1 梯度下降法
给定一个初始点即目标函数对待估参数求一阶导数(即梯度g),按一定步长b沿着负梯度方向进行迭代直到达到停止条件。注意,梯度下降算法存在锯齿现象,收敛速度慢。因此,一般用计算目标位置的前期迭代或者间插过程。而且迭代类算法需要一个比较靠近最优点的初始值来保证全局收敛和收敛性。
注意:梯度下降是对非线性的问题一阶线性化。
具体可参考最优化理论与算法这本书。
2.2 高斯牛顿法
高斯牛顿法一般是避免牛顿法中对待估目标位置求二阶导数(海森矩阵)一种折中方法。仅用目标函数对待估参数求一阶导数(即梯度g),