dfp方法例题_数学软件 之 基于MATLAB的DFP算法

DFP算法是本科数学系中最优化方法的知识，也是无约束最优化方法中非常重要的两个拟Newton算法之一，上一周写了一周的数学软件课程论文，姑且将DFP算法的实现细节贴出来分享给学弟学妹参考吧，由于博客不支持数学公式，所以就不累述算法原理及推导公式了。

DFP算法流程图

先给出DFP算法迭代流程图，总体上是拟Newton方法的通用迭代步骤，唯独在校正公式的地方有所区别。

MATLAB实现DFP

基于此图便可以设计DFP算法的MATLAB程序：

对分法及加步探索法的实现

首先由于DFP算法中需要利用一维搜索得到最优步长，因此需要先设计一个一维搜索函数，博主选用的是简单的对分法(二分法)：

%本函数利用二分法求解X = ls(Xk,Pk)问题

%目标函数：f

%符号参数：var

%终止限：eps

function x = dichotomy(f,var,eps)

g = diff(f,var);

[a, b] = search(f,var);

x = (a + b)/2; %防止eps过大导致x无值

while b - a > eps

x = (a+b)/2;

gx = subs(g, var, x);

if gx > 0

b = x;

elseif gx < 0

a = x;

else break;

end

end

%加步搜索法-确定搜索区间

function [a, b] = search(g,var)

gt = matlabFunction(g);

X = 0; tmp = X;

h = 1; k = 0;

while 1

Xk = X + h; k = k+1;

Y = subs(gt,var,X);

Yk = subs(gt,var,Xk);

if Y > Yk %加大步长搜索

h = 2 * h;

tmp = X;

X = Xk;

elseif Y == Yk %缩小步长搜索

h = h/2;

elseif k == 1

h = -h; %反向搜索

else break;

end

end

a = min(tmp, Xk);

b = max(tmp, Xk);

end

end

DFP算法的实现

有了一维搜索函数，那么实现DFP算法也就能依照算法流程图来设计了：

%DFP算法主程序

%目标函数：f

%初始点：X0

%参数：var

%终止限：eps

function DFP(f, X0, var, eps)

%初始化符号函数，梯度，维数等

syms var t;

g = jacobian(f)'; %Jacobian转置->Grad

fx = matlabFunction(f); %符号函数->函数句柄(R2009以上支持)

gx = matlabFunction(g);

n = length(var); %维数

X = X0; Xk = X0;

while 1

fx0 = fx(X(1),X(2)); gx0 = gx(X(1),X(2));

Hk = eye(2); Pk = -gx0; %初始方向

k = 0; %迭代次数

while 1

Y = Xk + t*Pk;

y = fx(Y(1),Y(2));

tk = dichotomy(y, t, eps); %一维搜索

Xk = Xk + tk*Pk;

fx1 = fx(Xk(1),Xk(2));

gx1 = gx(Xk(1),Xk(2));

if norm(gx1) < eps || k == n

X = Xk; fx0 = fx1;

break;

end

Sk = Xk - X; Yk = gx1 - gx0;

Hk = Hk + Sk*Sk'/(Sk'*Yk) - Hk*(Yk)*Yk'*Hk/(Yk'*Hk*Yk);

Pk = -Hk*gx1; %校正方向

k = k+1;

end

if norm(gx1) < eps

disp('X(k+1) = '); disp(Xk);

disp('F(K+1) = '); disp(fx0);

break;

end

end

实例验证

有了DFP算法的实现函数，那么应用于实例也就不难了。

可以在命令文件下输入如下代码就能得到目标函数极值点及极值

clear; clc; format long;

syms x1 x2;

f = 4*(x1-5)^2 + (x2-6)^2;

tic; %初始时间

DFP(f, [8;9], [x1, x2], 0.00000001);

toc; %结束时间

输出结果如下：

X(k+1) =

4.999995811278565

5.999767686222325

F(K+1) =

5.403987284687523e-08

Elapsed time is 8.229108 seconds.

算法时间度分析：

由此可知，函数在[8,9]附近的点[5.00,6.00]处取得局部最小值，其中局部极值点约为5.40e-8.

此算法运行时间约为8.23s，并且我们在降低终止限eps后，针对本题，算法运行时间增长较快，例如若eps = 1e-3，耗时11.6s，若eps = 1e-5，耗时22.94s，而eps = 1e-7，耗时甚至超过15分钟.这说明DFP算法在求解高精度运算时的运行效率表现得并不是那么好，甚至有可能无法得出最优解.

实例搜索图

基于该实例，对算法的迭代过程进行绘图，得到如下搜索图

可以由以上两个搜索图像得出一个结论：DFP算法的实质是在每一次迭代过程中调整自己的搜索方向，以使得该方向能够尽可能接近极值点，这也正是几乎所有拟Newton算法中校正矩阵的作用.