二次优化问题dfp_【复习笔记】最优化方法 - 3. 无约束优化方法

第三章 无约束优化方法

本文是本人研究生课程《最优化方法》的复习笔记,主要是总结课件和相关博客的主要内容用作复习。

3.1 算法理论基础

1. 无约束优化问题的最优性条件

先是一元函数取得极值的条件,高中就学过的

然后是拓展到多元函数后的理论

这三条和前面一元函数的三条是一一对应的,半正定对应大于等于,正定对应严格大于。

这里的最优性一直在说的都是局部最优性。

2. 无约束凸规划问题的最优性条件

凸规划就有一个很好的特点,就是只要是局部最优解,那他就是全局最优解,也就是不存在鞍点了,再把前面的思路拓展就可以得到很好的结果了。

3. 线搜索下降算法及其收敛性

算法

收敛性

收敛速度

后面的几种方法总览

参考:

最速下降法利用目标函数一阶梯度进行下降求解,易产生锯齿现象,在快接近最小值时收敛速度慢。

Newton法利用了二阶梯度,收敛速度快,但是目标函数的Hesse矩阵不一定正定。于是出现了修正的Newton法,主要是对不同情况进行了分情况讨论。Newton法的优缺点都很突出。优点:高收敛速度(二阶收敛);缺点:对初始点、目标函数要求高,计算量、存储量大(需要计算、存储Hesse矩阵及其逆)。

共轭梯度法是介于最速下降法和牛顿法之间的一个方法,相比最速下降法收敛速度快,并且不需要像牛顿法一样计算Hesse矩阵,只需计算一阶导数(共轭梯度法是共轭方向法的一种,意思是搜索方向都互相共轭)。

拟Newton法是模拟Newton法给出的一个保优去劣的算法。

3.2 最速下降法

最速下降方向:

梯度的定义是:变化最快的方向,其实指向的就是上升最快的方向。

下降最快的方向是梯度的反方向,即\(-g_k\)。

1. 算法框架

2. 优缺点

3. 精确一维线搜索 + 最速下降法:

4. 例题

3.3 牛顿法

这里参考博客:

1. 牛顿法与阻尼牛顿法

2. 优缺点

3. 例题

3.4 共轭梯度法

共轭方向法是介于最速下降法和Newton法之间的一种方法。克服了最速下降法的锯齿现象,从而提高了收敛速度;同时,共轭方向法的迭代公式比较简单,不必求目标函数的Hesse矩阵,比Newton法减少了计算量和存储量。是一种比较实用而且有效的方法。

1. 共轭向量及其性质

关于共轭向量的定义:

满足上述条件后,称\(d^0,d^1,…,d^{k-1}\)是G的共轭方向。

当\(Q=I\)时可以发现,\(d^0,d^1,…,d^{k-1}\)相互正交。也就是说:正交是共轭的一种特殊情况,共轭是正交的推广。

2. 共轭方向法的理论基础

用一句话概括那就是:

在精确一维线搜索的情况下,当前迭代点的梯度g与之前所有的搜索方向d正交。

3. 共轭方向法的基本算法框架

4. 如何构造共轭方向:Gram-Schmidt方法

5. 二次函数极小化的共轭梯度法

前面是对共轭方向法+一维线搜索的整理,接下来对二次函数总结成共轭梯度法的理论。

3.【考】 一般函数极小化的共轭梯度法

这部分可能是考试重点

例题比较简单

3.5 拟牛顿法

这里参考博客:

牛顿法中的Hesse矩阵HH在稠密时求逆计算量大,也有可能没有逆(Hesse矩阵非正定)。拟牛顿法提出,用不含二阶导数的矩阵 \(U_t\) 替代牛顿法中的 \(H^{−1}_t\),然后沿搜索方向 \(−U_tg_t\) 做一维搜索。根据不同的 \(U_t\) 构造方法有不同的拟牛顿法。

注意拟牛顿法的 关键词:

不用算二阶导数

不用求逆

1. 拟牛顿条件

2. 【重点】DFP算法与推导

DFP公式不用记

这里PPT里的结论是:

\(H_{k+1} = H_{k} - \frac{H_ky_ky_k^TH_k}{y_k^TH_ky_k} + \frac{s_ks_k^T}{y_k^Ts_k}\)

其实这里最后面那个公式下面的\(y_k^Ts_k和前面的\)\(s_k^Ty_k\)的结果是相同的,因此记哪个都可以。

4. DFP算法例题

5. BFGS算法

无约束优化-本章小结

1. 方法总结

方法

搜索方向

步长

优点

缺点

性质总结

最速下降法

\(-\nabla f(x^k) = -g_k\)

精确一维线搜索

1. 程序简单

2.计算工作量小,存储量小

3. 对初始点无要求

4. 具有全局收敛性

1. 收敛速度慢

2. 收敛速度为线性

全局收敛性

牛顿法 - 经典牛顿法

\(-H_k^{-1}g_k\)

1

1. 收敛速度快

2.具有二次终止性

1. 要求二阶连续可微

2. 工作量大

3.仅局部收敛

4. 收敛于鞍点或极大值点可能性并不小

二次终止性

局部收敛性

局部二阶收敛性

非下降算法:初始解远离最优解时,\(G_k\)不一定正定,牛顿方向不一定是下降方向,经典牛顿法不一定收敛

牛顿法 - 阻尼牛顿法

\(-H_k^{-1}g_k\)

精确一维线搜索

1. 具有二次终止性

2. 具有全局收敛性

3. 具有局部二阶收敛性

1. 要求二阶连续可微

2. 工作量大

二次终止性

全局收敛性

局部二阶收敛性

共轭梯度法 - 二次函数极小化的FR共轭梯度法

$$f(x)= \begin{cases} -g_k& \text{k=0} \\ -g_k+\frac{g_kTg_k}{g_{k-1}Tg_{k-1}}d^{k-1}& \text{其他} \end{cases}$$

精确一维线搜索

1. 计算量小,适合大规模问题

2. 具有全局收敛性

收敛速度为线性

全局收敛性

全局线性收敛性

下降算法

拟牛顿法 - DFP算法

$d_k = -D_kg_k \ D_k\text{在PPT里用的是}H_k\ \begin{cases} D_0 = I \ D_{k+1} = D_k + \frac{s_ks_kT}{s_{k}Ty_k}-\frac{D_ky_ky_kTD_k}{y_kTD_ky_k} \end{cases} \ 其中 s_k = x^{k+1} - x^{k}, y_k = g_{k+1}-g_k $

精确一维线搜索

1. 计算量小,适合大规模问题

2. 具有牛顿法类似的收敛速度,比牛顿法更有效

-

求解正定二次函数极小化问题(采用精确一维线搜索):

1. 具有二次终止性:至多经过次迭代即终止

2. 具有遗传性质:即保持满足前面的拟牛顿方程

3. 当\(H_0=I_n\)时,产生的搜索方向是共轭方向

求解一般函数极小化问题:

1. 保持\(H_k\)的正定性,从而保证是下降算法

2. DFP算法具有局部超线性收敛速度

3. 在一定条件下采用精确一维线搜索算法是全局收敛的

注:

关于收敛性参看第一章最后一节部分的内容

二次终止性:当一个算法用于求解严格凸二次函数极小值问题时,如果从任意初始点出发,算法经过有限步迭代后可达到函数的极小值点,则称该算法具有二次终止性。

你可能感兴趣的:(二次优化问题dfp)