非线性最小二乘问题之Levenberg-Marquardt Method

最新推荐文章于 2025-06-06 23:25:22 发布

原创最新推荐文章于 2025-06-06 23:25:22 发布 · 1.9w 阅读

63 ·

CC 4.0 BY-SA版权

文章标签：

#matlab

Matlab 专栏收录该内容

15 篇文章

订阅专栏

本文介绍了非线性最小二乘问题及其解决方法——LM算法，并通过Matlab自带的lsqnonlin函数进行了实例演示，对比了使用与不使用Jacobian的方式。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.什么是非线性最小二乘问题

所谓“非线性最小二乘优化问题”就是指：目标函数是非线性函数平方和，具体形式为：
这里写图片描述

可以看到，目标函数为n个函数平方和

2.如何求解非线性最小二乘问题

LM算法是求解非线性最小二乘问题的一个很稳定的方法，实际应用中经常使用，之前都是自己编写程序，今天偶然发现matlab居然自带了LM优化算法

3.Matlab中的LM算法函数

matlab提供了一个求解非线性最小二乘问题的优化函数lsqnonlin

Matlab提供了2种计算方式，分别为with Jacobian和without Jacobian两种方式
以如下优化函数为例：min 这里写图片描述

3.1 without Jacobian

step1：myfun.m函数

myfun函数作用是计算目标函数

% 函数输入是向量x，返回值是目标函数值
function F = myfun(x)
k = 1:10;
F = 2 + 2*k-exp(k*x(1))-exp(k*x(2));

step2: 利用lsqnonlin函数求解优化问题

x0 = [0.3,0.4]; % Starting guess
[x,resnorm,res,eflag,output1] = lsqnonlin(@myfun,x0); % Invoke optimizer

注意到，在mufun函数中，并没有计算Jacobian
经过72步迭代后，可以得到最优解x和残差resnorm
x = 0.2578 0.2578；resnorm = 124.3622

3.2 with Jacobian

step1：myfun.m函数

myfun函数作用是计算目标函数及目标函数的Jacobian

% 函数输入是向量x，返回值是目标函数值F和Jacobian
function [F,J] = myfun(x)
k = 1:10;
F = 2 + 2*k-exp(k*x(1))-exp(k*x(2));
if nargout > 1  %如果返回值为2个
    J = zeros(10,2);
    J(k,1) = -k.*exp(k*x(1));
    J(k,2) = -k.*exp(k*x(2));
end

step2：设置solver

opts = optimoptions(@lsqnonlin,’SpecifyObjectiveGradient’,true);

step3: 利用lsqnonlin函数求解优化问题

x0 = [0.3 0.4]; % Starting guess
[x,resnorm,res,eflag,output2] = lsqnonlin(@myfun,x0,[],[],opts);

经过24步迭代后，可以得到最优解x和残差resnorm
x = 0.2578 0.2578；resnorm = 124.3622

可以看到：
The advantage to using a Jacobian is that the solver takes fewer function evaluations, 24 instead of 72.