牛顿法、阻尼牛顿法和多种拟牛顿法 (DFP、BFGS、L-BFGS) 推导和介绍

牛顿法

牛顿法是一种近似求解方程的方法,方法使用函数f(x)的泰勒展开前几项来寻找f(x)=0的根。

1.具体步骤

  1. 选择一个接近f(x)零点的x0和切线斜率f’(x0),然后计算穿过(x0,f(x0))并且斜率为f’(x0)的直线与x轴交点x坐标,即求解:
    在这里插入图片描述
    -再选择一个x1比x0更接近f(x)=0的解,令x–>x1,开始迭代:
    在这里插入图片描述
    remark: 已经证明若f’为连续,并且待求的零点为孤立的,那么零点X存在一个区域,只要初始值X0在该区域内,那么牛顿法必定收敛。
  2. 当N>1时,二阶泰勒展开得到:
    在这里插入图片描述
    同样求极小值,其中必要条件为必是函数的驻点,即

在这里插入图片描述
(g为梯度

  • 2
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
最小二乘拟牛顿法都是常用的优化算,但它们的原理和应用有所不同。 最小二乘是一种经典的线性回归方,用于拟合数据点与理论模型之间的差异。最小二乘通过最小化残差平方和来确定模型参数,使得拟合曲线与实际数据点的误差最小。最小二乘适用于线性模型和高斯噪声的情况,具有良好的数学性质和统计推断性质。 拟牛顿法是一类迭代优化算,用于求解非线性方程或最小化非线性函数的优化问题。拟牛顿法通过利用函数值和梯度信息来估计目标函数的Hessian矩阵,从而逼近函数的极值点。拟牛顿法可以通过迭代优化过程中不断更新Hessian矩阵的逆来逼近真实的Hessian矩阵,从而实现更快的收敛速度。 以下是最小二乘拟牛顿法的对比: 1. 适用范围:最小二乘适用于线性回归问题,而拟牛顿法适用于非线性优化问题。 2. 算原理:最小二乘基于最小化残差平方和来确定模型参数,而拟牛顿法通过估计Hessian矩阵来逼近函数的极值点。 3. 计算复杂度:最小二乘可以通过矩阵运算进行高效计算,而拟牛顿法在更新Hessian矩阵的逆时需要计算和存储更多的信息,因此计算复杂度较高。 4. 存储需求:最小二乘需要存储数据矩阵和向量,而拟牛顿法需要存储估计的Hessian矩阵或其逆矩阵,存储需求较高。 5. 收敛速度:拟牛顿法通常具有较快的收敛速度,特别适用于非线性优化问题;而最小二乘的收敛速度取决于数据和模型的特性。 综上所述,最小二乘适用于线性回归问题,具有良好的数学性质和统计推断性质;而拟牛顿法适用于非线性优化问题,具有较快的收敛速度。在实际应用中,根据具体问题的性质和要求选择合适的优化算

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值