机器学习： 共轭梯度算法（PCG）

今天介绍数值计算和优化方法中非常有效的一种数值解法，共轭梯度法。我们知道，在解大型线性方程组的时候，很少会有一步到位的精确解析解，一般都需要通过迭代来进行逼近，而 PCG 就是这样一种迭代逼近算法。

我们先从一种特殊的线性方程组的定义开始，比如我们需要解如下的线性方程组：

Ax=bAx=b

这里的 A(n×n)A(n×n) 是对称，正定矩阵， b(n×1)b(n×1) 同样也是已知的列向量，我们需要通过 AA 和 bb 来求解 x(n×1)x(n×1), 这其实是我们熟知的一些线性系统的表达式。

直接求解

首先，我们来看一种直观的解法，我们定义满足如下关系的向量为关于 矩阵 AA 的共轭向量，

uTAv=0uTAv=0

因为矩阵 AA 是对称正定矩阵，所以矩阵 AA 定义了一个内积空间：

⟨u,v⟩A:=⟨Au,v⟩=⟨u,ATv⟩=⟨u,Av⟩=uTAv⟨u,v⟩A:=⟨Au,v⟩=⟨u,ATv⟩=⟨u,Av⟩=uTAv

基于此，我们可以定义一组向量 PP

P={p1,…,pn}P={p1,…,pn}

其中的向量 p1p1 , p2p2, … , pnpn 都是互为共轭的，那么 PP 构成了 RnRn 空间的一个基，上述方程的解 x∗x∗ 可以表示成 PP 中向量的线性组合：

x∗=∑i=1nαipix∗=∑i=1nαipi

根据上面的表达式，我们可以得到：

Ax∗=∑i=1nαiApipTkAx∗=∑i=1nαipTkApi(Multiply left by pTk)pTkb=∑i=1nαi⟨pk,pi⟩A(Ax∗=b and ⟨u,v⟩A=uTAv)⟨pk,b⟩=αk⟨pk,pk⟩A(uTv=⟨u,v⟩ and ∀i≠k:⟨pk,pi⟩A=0)Ax∗=∑i=1nαiApipkTAx∗=∑i=1nαipkTApi(Multiply left by pkT)pkTb=∑i=1nαi⟨pk,pi⟩A(Ax∗=b and ⟨u,v⟩A=uTAv)⟨pk,b⟩=αk⟨pk,pk⟩A(uTv=⟨u,v⟩ and ∀i≠k:⟨pk,pi⟩A=0)

这意味着：

αk=⟨pk,b⟩⟨pk,pk⟩Aαk=⟨pk,b⟩⟨pk,pk⟩A

所以，如果我们要直接求解的，可以先对矩阵 AA 进行特征值分解，求出一系列的共轭向量，然后求出系数，最后可以得到方程的解 x∗x∗

迭代求解

上面的方法已经说明，x∗x∗ 是一系列共轭向量 pp 的线性组合，学过 PCA 的都知道，可以用前面占比高的向量组合进行逼近，而不需要把所有的向量都组合到一起，PCG 也是用到了这种思想，通过仔细的挑选共轭向量 pp 来重建方程的解 x∗x∗。

我们先来看下面的一个方程：

f(x)=12xTAx−xTb,x∈Rnf(x)=12xTAx−xTb,x∈Rn

对上面的方程求导，我们可以得到：

D2f(x)=AD2f(x)=A

Df(x)=Ax−bDf(x)=Ax−b

可以看到，方程的一阶导数就是我们需要解的线性方程组，令一阶导数为 0，那么我们需要解的就是这样一个线性方程组了。

假设我们随机定义 xx 的一个初始向量为 x0x0，那么我们可以定义第一个共轭向量为 p0=b−Ax0p0=b−Ax0, 后续的基向量都是和梯度共轭的，所以称为共轭梯度法。

下面给出详细的算法流程：

而 preconditioned conjugate gradient method 与共轭梯度法的不同之处在于预先定义了一个特殊矩阵 MM：

参考来源：wiki 百科

https://en.wikipedia.org/wiki/Conjugate_gradient_method#The_preconditioned_conjugate_gradient_method

转载于:https://www.cnblogs.com/mtcnn/p/9412105.html