|
最速下降法的改进及收敛性证明
|
|
【经济学学年论文提纲】摘 要:对最速下降法进行改进,并证明了改进算法不但收敛,同时也保留了原方法结构简单、计算量少等优点。结合具体实例,与共轭梯度法进行比较,数值试验表明,改进后的最速下降法是一种有效的方法,同时对一些算例它还优于共轭梯度法。
关键词: 最速下降法 两点搜索 收敛
0 引 言
求解无约束最优化问题∈时,最速下降法是一个最基本而重要的方法。它具有迭代计算简单,占用计算机内存空间少,在远离极值点时收敛速度快等优点。最速下降法在其它领域中有许多应用,如神经网络权值的优化等,同时也是其它方法的基础,很多优化问题一开始多用最速下降法迭代,在接近最优点时改用其它方法。
最速下降法按基本迭代格式α d 迭代,即从点xk出发沿点xk的负梯度方向d k = ??f (xk )进行搜索,其中α 用一维搜索α p f x α≥求得。对一般的无约束最优化问题,若f (x)的海森矩阵的条件数比较大,这种方法会产生严重的锯齿现象,使得迭代进程在接近极值点时变得非常慢。人们对最速下降法做了不少的改进:比如改进搜索步长,在奇数次迭代与偶数次迭代分别选用不同的步长算法[1];从特殊点的角度,提出了最好点最速下降法,消除了锯齿现象,提高了计算速度[2];将共轭梯度法与最速下降法有机地结合起来, 构造了一种混合算法,继承了两种算法的双重优点[3]。
本文则从最速下降法产生锯齿现象的直观意义出发,构造出了一种十分简洁的算法,同时此法对一些算例具有比其它算法更快的收敛速度。
1.两点最速下降法
改进算法的思想:为了克服最速下降法产生锯齿现象,当搜索两次以后依次有3个点x0 , x1, x2,把从起点x0与末点x2的射线方向作为下一次的搜索方向,称之为两点搜索法。
1.1 两点最速下降法的算法步骤收敛性分析.数值试验分别对变量是2 维和3 维的测试函数为例对上面算法加以验证,这些函数的海森矩阵条件数较大。以下数值结果是在matlab7.9.0 计算平台下得出,其中步长采
|
|
|