英雄应该配美人,
美人同样适合英雄。
她像个天仙,
她太美了,
我不会有那种命的,
肯定轮不到我。
时间会越累越少,
我也会越来越老,
那至少给我留下一个梦吧。
畅宝宝的傻逼哥哥
从简单到高度复杂的算法中,有许多可以用来求出非线性规划问题的解。虽然不同的算法在结构,数学基础以及应用上非常不同,但是它们却有某些相同的性质,这些是比较通用的。非线性规划算法中最基础的两个公共性质为:
- 它们是迭代算法
- 它们是下降算法
对于一个算法,如果它的解是从一个初始估计值开始,然后计算出一系列点得到的,那么就称该算法是迭代算法。另一方面,如果算法产生的新值使得目标函数变小,那么称该算法是下降算法。
从数学角度看,我们可以将算法看成点到点的映射,其中点
xk
位于某个空间,一般为
En
向量空间的字空间,它被影射到同一空间的另一个点
xk+1
,
xk+1
的值由某些对应规则指定。从效果上看,如果点
xk
用于算法的输入,那么点
xk+1
就是输出,那么算法就可以用图1这样的框图来表示。在图中,
x0
表示解的初始值,反馈线表示算法的迭代性质,
xk+1
与
xk
之间的对应规则可以表示成
将迭代应用到连续的点上,算法将产生一系列点 {x0,x1,…,xk,…} ,如图2所示。如果序列收敛到极限 x̂ ,那么 x̂ 就是所求的解。
对于序列
{x0,x1,…,xk,…}
,如果对任意给定的
ε>0
,存在整数
K
使得
其中 ∥⋅∥ 表示欧几里得范数。这样的序列可以表示成符号 {xk}∞k=0 ,它的极限为 xk→x̂ ,如果这样的序列收敛,那么它有一个唯一的极限点。
之后的文章中,我们会用到给定序列的字序列,
{xk}∞k=0
的子序列表示成
{xk}k∈I
,其中
I
是正整数的集合,通过删除
图1
图2
如果由算法A生成的点序列如上面那样收敛到极限