主
要
摘
自
《
非
线
性
优
化
》
\color{#F00}{主要摘自《非线性优化》}
主要摘自《非线性优化》
\qquad
共轭方向法的意义在于加快最速下降法的收敛速度,避免牛顿方法的大量计算。最初是为了解决
m
i
n
i
m
i
z
e
f
(
x
)
=
1
2
x
′
Q
x
−
b
′
x
s
u
b
j
e
c
t
t
o
x
∈
ℜ
n
minimize\quad f(x)=\frac{1}{2}x^{'}Qx-b^{'}x\\ subject\ to\ x\in\Re^{n}
minimizef(x)=21x′Qx−b′xsubject to x∈ℜn其中Q是正定的。或者等价的求解线性系统
Q
x
=
b
Qx=b
Qx=b
\qquad
(很多函数都可以用二次函数很好地近似)共轭方向法最多经过
n
n
n次迭代就能得到该问题的解,通常少于
n
n
n次也能的到足够精确的解。也可以用来解决非二次最优化问题,但一般不会在有限次迭代后终止。
\qquad
共轭方向法的主要思想是在逐渐扩张的线性流形上逐步最小化
f
f
f,而最终的线性流形将包括
f
f
f的全局最小值点,对于每一个
k
k
k,
x
k
+
1
x^{k+1}
xk+1在经过
x
0
x^{0}
x0且由共轭方向
d
0
,
.
.
.
,
d
k
d^{0},...,d^{k}
d0,...,dk张成的线性流形上最小化
f
f
f。
\qquad
给定一个正定
n
×
n
n\times n
n×n矩阵Q,若非零向量
d
1
,
.
.
.
,
d
n
d^{1},...,d^{n}
d1,...,dn是Q-共轭的,则
d
i
′
Q
d
j
=
0
,
i
≠
j
d^{i'}Qd^{j}=0,\quad i\neq j
di′Qdj=0,i̸=j即如果变量是Q-共轭的那么他们是线性无关的。与其他迭代法相同其步骤为
x
k
+
1
=
x
k
+
α
k
d
k
x^{k+1}=x^{k}+\alpha^{k}d^{k}
xk+1=xk+αkdk
\qquad
其中,
α
k
\alpha^{k}
αk通过线性最小化步长准则得到
(
x
k
+
α
d
k
)
=
m
i
n
α
f
(
x
k
+
α
d
k
)
(x^{k}+\alpha^{}d^{k})=\mathop{min}\limits_{\alpha}f(x^{k}+\alpha d^{k})
(xk+αdk)=αminf(xk+αdk)
\qquad
尤其
f
(
x
k
+
α
d
k
)
f(x^{k}+\alpha d^{k})
f(xk+αdk)关于
α
\alpha
α的偏导数为0,得到
0
=
∂
f
(
x
k
+
α
d
k
)
∂
α
=
d
k
′
∇
f
(
x
k
+
α
d
k
)
=
d
k
′
(
Q
(
x
k
+
α
d
k
)
−
b
)
0=\frac{\partial f(x^{k}+\alpha^{}d^{k})}{\partial\alpha}=d^{k'}\nabla f(x^{k}+\alpha^{}d^{k})=d^{k'}(Q(x^{k}+\alpha^{}d^{k})-b)
0=∂α∂f(xk+αdk)=dk′∇f(xk+αdk)=dk′(Q(xk+αdk)−b)从而
α
k
=
d
k
′
(
b
−
Q
x
k
)
d
k
′
Q
d
k
\alpha^{k}=\frac{d^{k'}(b-Qx^{k})}{d^{k'}Qd^{k}}
αk=dk′Qdkdk′(b−Qxk)
\qquad
生成Q-共轭方向 对任意给定的一个线性无关向量组
ξ
0
,
.
.
.
,
ξ
k
,
\xi^{0},...,\xi^{k},
ξ0,...,ξk,使用
G
r
a
m
−
S
c
h
m
i
d
t
Gram-Schmidt
Gram−Schmidt方法,构造一组相互Q-共轭的方向
d
0
,
.
.
.
,
d
k
,
d^{0},...,d^{k},
d0,...,dk,,对使得所有
i
=
0
,
.
.
.
,
k
,
i=0,...,k,
i=0,...,k,满足(由
d
0
,
.
.
.
,
d
i
,
d^{0},...,d^{i},
d0,...,di,张成的子空间)=(由
ξ
0
,
.
.
.
,
ξ
i
,
\xi^{0},...,\xi^{i},
ξ0,...,ξi,张成的子空间)。该方法从下式开始首先
d
0
=
ξ
0
d^{0}=\xi^{0}
d0=ξ0假设对于某些
i
<
k
i<k
i<k,已知的到Q-共轭方向
d
0
,
.
.
.
,
d
i
d^{0},...,d^{i}
d0,...,di,使上述关系成立,
d
i
+
1
d^{i+1}
di+1取为
d
i
+
1
=
ξ
i
+
1
+
∑
m
=
0
i
c
(
i
+
1
)
m
d
m
d^{i+1}=\xi^{i+1}+\sum_{m=0}^{i}c^{(i+1)_m}d^{m}
di+1=ξi+1+m=0∑ic(i+1)mdm
\qquad
其中需要选取参数
c
(
i
+
1
)
m
c^{(i+1)m}
c(i+1)m,使得
d
i
+
1
d^{i+1}
di+1与
d
0
,
.
.
.
,
d
i
d^{0},...,d^{i}
d0,...,di是Q-共轭的,对于
j
=
0
,
.
.
.
,
i
,
j=0,...,i,
j=0,...,i,有
d
i
+
1
′
Q
d
j
=
ξ
i
+
1
′
Q
d
j
+
(
∑
m
=
0
i
c
(
i
+
1
)
m
d
m
)
′
Q
d
j
=
0
d^{i+1'}Qd^{j}=\xi^{i+1'}Qd^{j}+(\sum_{m=0}^{i}c^{(i+1)_m}d^{m})^{'}Qd^{j}=0
di+1′Qdj=ξi+1′Qdj+(m=0∑ic(i+1)mdm)′Qdj=0
\qquad
因为
d
0
,
.
.
.
,
d
i
,
d^{0},...,d^{i},
d0,...,di,是Q-共轭的,所以若
m
≠
j
d
m
′
Q
d
j
=
0
m\ne j\ d^{m'}Qd^{j}=0
m̸=j dm′Qdj=0所以
c
(
i
+
1
)
j
=
−
ξ
i
+
1
′
Q
d
j
d
j
′
Q
d
j
,
j
=
0
,
.
.
.
,
i
.
c^{(i+1)_j}=-\frac{\xi^{i+1'}Qd^{j}}{d^{j'}Qd^{j}},\qquad j=0,...,i.
c(i+1)j=−dj′Qdjξi+1′Qdj,j=0,...,i.
\qquad
共轭梯度法 共轭梯度法是最重要的共轭方向法,该方法基于梯度方向
ξ
0
=
−
g
0
,
.
.
.
,
ξ
n
−
1
=
−
g
n
−
1
\xi^{0}=-g^{0},...,\xi^{n-1}=-g^{n-1}
ξ0=−g0,...,ξn−1=−gn−1使用
G
r
a
m
−
S
c
h
m
i
d
t
Gram-Schmidt
Gram−Schmidt过程
g
k
=
∇
f
(
x
k
)
=
Q
x
k
−
b
g^{k}=\nabla f(x^{k})=Qx^{k}-b
gk=∇f(xk)=Qxk−b则
d
k
=
−
g
k
+
∑
j
=
0
k
−
1
g
k
′
Q
d
j
d
j
′
Q
d
j
d
j
d^{k}=-g^{k}+\sum_{j=0}^{k-1}\frac{g^{k'}Qd^{j}}{d^{j'}Qd^{j}}d^{j}
dk=−gk+j=0∑k−1dj′Qdjgk′Qdjdj其中,
d
0
=
−
g
0
d^{0}=-g^{0}
d0=−g0。当
g
k
=
0
g^{k}=0
gk=0时,该方法停止在最优解处终止。共轭梯度法的方向由下式生成
d
0
=
−
g
0
,
d
k
=
−
g
k
+
β
k
d
k
−
1
,
k
=
1
,
.
.
.
,
n
−
1
,
d^{0}=-g^{0},\\ d^{k}=-g^{k}+\beta^{k}d^{k-1},\quad k=1,...,n-1,
d0=−g0,dk=−gk+βkdk−1,k=1,...,n−1,其中
β
k
\beta^{k}
βk由下式给出
β
k
=
g
k
′
g
k
g
k
−
1
′
g
k
−
1
\beta^{k}=\frac{g^{k'}g^{k}}{g^{k-1'}g^{k-1}}
βk=gk−1′gk−1gk′gk此外该方法在最多
n
n
n次迭代之后,将终止在某个最优解处。
非线性优化-最优化问题之共轭梯度法
最新推荐文章于 2022-08-12 13:09:36 发布