Newton,牛顿法非线性优化
概述
- 用于非线性目标函数优化,寻找非线性函数的极小值,及取最小值的参数
- 用于方程求解
- 核心思想:泰勒一阶和二阶展开
- 搜索方向 − 1 H ( k ) -\frac{1}{H(k)} −H(k)1
推导
一维函数泰勒展开
-
目标函数一阶泰勒展开
F ( x 0 + △ x ) ≈ F ( x 0 ) + F ′ ( x 0 ) △ x + 1 2 F ′ ′ ( x 0 ) △ x 2 F(x_0+\triangle x)≈F(x_0)+F'(x_0)\triangle x + \frac{1}{2}F''(x_0)\triangle x^2 F(x0+△x)≈F(x0)+F′(x0)△x+21F′′(x0)△x2 -
求取函数 F ( x 0 + △ x ) F(x_0+\triangle x) F(x0+△x)的极值,求导,导数为0
x − x 0 = △ x = − f ′ x 0 f ′ ′ x 0 x - x_0 = \triangle x= - \frac{f'x_0}{f''x_0} x−x0=△x=−f′′x0f′x0
- 一维目标函数取导数,在 x 0 x_0 x0导数为0,取极值
x − x 0 = △ x = − f ′ x 0 f ′ ′ x 0 x - x_0 = \triangle x= - \frac{f'x_0}{f''x_0} x−x0=△x=−f′′x0f′x0
二维函数泰勒展开
-
目标函数二阶泰勒展开
F ( x 0 + △ x ) ≈ F ( x 0 ) + J ( x 0 ) T △ x + 1 2 △ x T H ( x 0 ) △ x F(x_0+\triangle x)≈F(x_0)+J(x_0)^T\triangle x + \frac{1}{2} \triangle x^T H(x_0) \triangle x F(x0+△x)≈F(x0)+J(x0)T△x+21△xTH(x0)△x -
雅可比矩阵
J = [ ∂ y 1 x 1 . . . ∂ y 1 x n . . . ∂ y m x 1 . . . ∂ y m x n ] J=\left[\begin{matrix} \frac{∂y_1}{x_1} ... \frac{∂y_1}{x_n} \\ ... \\ \frac{∂y_m}{x_1} ... \frac{∂y_m}{x_n} \\ \end{matrix} \right] J=⎣⎡x1∂y1...xn∂y1...x1∂ym...xn∂ym⎦⎤
- Hessian矩阵
- 黑塞矩阵、海森矩阵
- 用于描述函数的局部曲率,常用于牛顿法解决优化问题
- 对称性,函数
f
二阶连续可导
H = J J T = [ ∂ 2 f x 1 2 . . . ∂ 2 f x 1 x n . . . ∂ 2 f x n x 1 . . . ∂ 2 f x n 2 ] H= JJ^T = \left[\begin{matrix} \frac{∂^2f}{x_1^2} ... \frac{∂^2f}{x_1x_n} \\ ... \\ \frac{∂^2f}{x_nx_1} ... \frac{∂^2f}{x_n^2} \\ \end{matrix} \right] H=JJT=⎣⎢⎡x12∂2f...x1xn∂2f...xnx1∂2f...xn2∂2f⎦⎥⎤
- 二维目标函数取导数,在 x 0 x_0 x0导数为0,取极值
x − x 0 = △ x = − H ( x 0 ) ∇ f x 0 x - x_0 = \triangle x= -H(x_0) \nabla f_{x0} x−x0=△x=−H(x0)∇fx0
应用
一元非线性方程
- f ( x ) = x 2 − 7 x + 12 = 0 f(x) = x^2 - 7x +12=0 f(x)=x2−7x+12=0
- 一阶泰勒展开 x = x 0 − F ( x 0 ) F ′ ( x 0 ) x = x_0-\frac{F(x_0)}{F'(x_0)} x=x0−F′(x0)F(x0)
def cal_equation1():
def func(x):
return x**2 - 7 * x +12
def derivation(x):
return 2 * x - 7
x0 = 5
while abs(func(x0)) > 1e-5:
x = x0 - func(x0) / derivation(x0)
x0 = x
print(x0)
多元方程组
- 多元方程组
{ x 2 + 2 y + 3 z − 14 = 0 x + y 2 + 3 z − 14 = 0 x + 2 y + z 2 − 14 = 0 \begin{cases} x^2+2y+3z-14=0\\ x+y^2+3z-14=0\\ x+2y+z^2-14=0 \end{cases} ⎩⎪⎨⎪⎧x2+2y+3z−14=0x+y2+3z−14=0x+2y+z2−14=0
- 一阶泰勒展开
def func(x):
return np.matrix([
[x[0][0]**2 + 2 * x[1][0] + 3 * x[2][0] - 14],
[x[0][0] + x[1][0]**2 + 3 * x[2][0] - 14],
[x[0][0] + 2 * x[1][0] + x[2][0]**2 - 14]
])
def jacobi(x):
return np.matrix([
[2*x[0][0], 2, 3],
[1, 2*x[1][0], 3],
[1, 2, 2 * x[2][0]]
])
x0 = np.ones((3, 1))
while not all(abs(func(x0))) < 1e-5:
x = x0 - jacobi(x0).I * func(x0)
x0 = x.A
print(x0)
目标函数极值
- 目标函数
f(x,y)=2x^2-2xy+y^2-2x
def func(x,y):
return 2*x**2 - 2*x*y + y**2 - 2*x
def gradient(x):
return np.matrix([
[4*x[0][0] - 2*x[1][0]-2],
[-2*x[0][0] + 2*x[1][0]]
])
def hessian(x):
return np.matrix([
[4, -2],
[-2, 2]
])
x0 = 10 * np.ones((2,1))
while not all (abs(gradient(x0)) < 1e-5):
x = x0 - hessian(x0).I * gradient(x0)
x0 = x.A
print("极值为:", x0)