什么是牛顿法
在第9章中介绍了一维搜索的牛顿法,什么是一维搜索的牛顿法?
首先介绍一下一维搜索
一维搜索
一维搜索其实也很简单,在许多迭代下降算法中,具有一个共同的特点,就是得到点x(k)后,需要按照某种规则确定一个方向d(k),再从x(k)出发,沿着d(k)的方向上求目标函数的极小点。从而得到x(k+1),重复以上做法,知道求得问题的解。这就是一维搜索。上面提到的d可以称作为步长因子。
一维搜索的方法有很多,归纳起来可以大体分成两类。
试探法 : 这种方法需要按照某种方式找试探点,通过一系列试探点来确定极小点。
函数逼近法,或是插值法 : 用某种简单的曲线逼近本来的函数曲线,通过求逼近函数的极小点来估计目标函数的极小点。
里面的种种门道也是颇为复杂,这里就讲讲一维搜索的牛顿法,这是函数逼近法的一种。
一维搜索的牛顿法
牛顿法的基本思想是,在极小点附近用二阶Taylor多项式近似目标函数f(x),进而求出极小点的估计值。
假设,考虑问题
$$min f(x), x\in\Re.$$
令
$$\phi(x) = f(x^{(k)}) + f^{'}(x^{(k)})(x-x^{(k)}) + \frac{1}{2}f^{''}(x^{(k)})(x-x^{(k)})^2$$
又令
$$\phi^{'}(x) = f^{'}(x^{(k)})