最优化学习笔记（四）——最速下降法

一、最速下降法的理念

     最速下降法是梯度方法的一种实现，它的理念是在每次的迭代过程中，选取一个合适的步长αk，使得目标函数的值能够最大程度的减小。αk可以认为是函数ϕk(α)=f(x(k)−α∇f(x(k)))的极小值点：

αk=argminf(x(k)−α∇f(x(k))),α≥0

由梯度迭代公式可知：x(k+1)=x(k)−α∇f(x(k)), 上式的解释是找到最优的迭代点x(k+1), 使得函数f(x)取得极小值时，求出步长αk。
     概述最速下降法的过程：在每一步的迭代中，从点x(k)出发，沿着梯度的负方向（求极小值点）展开一维搜索，直到找到步长最优值，确定新的迭代点x(k+1)。最速下降法的相邻搜索方向都是正交的。

二、最速下降法的两个命题和停止条件

2.1 最速下降法的两个命题

命题1 利用最速下降法搜索函数f:R2→R的极小值点，迭代过程产生的序列为{x(k)}∞k=0, 那么，x(k+1)−x(k) 与 x(k+2)−x(k+1)正交对所有k≥0都成立。

命题2 利用最速下降法搜索函数f:Rn→R的极小值点，迭代过程产生的序列为{x(k)}∞k=0, 如果 ∇f(x(k))≠0， 那么f(x(k+1))<f(x(k))。

     命题1说明在迭代过程中，没产生一个新点，对应的目标函数值都会下降。命题2说明了最速下降法的下降特性：只要∇f(x(k))≠0， 就有f(x(k+1))<f(x(k))。对于某个k, 如果∇f(x(k))=0，说明x(k)满足局部极小点的一阶必要条件，此时x(k+1)=x(k),这可以作为停止规则的基础。

2.2 几种停止规则

     在实际中，采用数值计算的方法很难恰好得到梯度为0的结果，因此以梯度为0作为停止规则很不恰当。以下, ϵ>0

1.|f(x(k+1))−f(x(k))|<ϵ

2.||x(k+1)−x(k)||<ϵ

3.|f(x(k+1))−f(x(k))||f(x(k))|<ϵ

4.||x(k+1)−x(k)||||x(k)||<ϵ

5.|f(x(k+1))−f(x(k))|max{1,|f(x(k))|}<ϵ

6.||x(k+1)−x(k)||max{1,||x(k)||}<ϵ

上边的3,4式为1,2式的相对值，而5,6式是为了避免3,4式中的分母过小进行的修改。

三、二次型中最速下降法的应用

     首先，二次型的目标函数为

f(x)=12xTQx−bTx

其中，Q为对称正定矩阵（假设），b∈Rn,x∈Rn,故有：

∇f(x)=Qx−b

令:

g(k)=∇f(x(k))=Qx(k)−b

则，最速下降法的迭代公式：

x(k+1)=x(k)−αkg(k)

其中，

αk=argminα≥0f(x(k)−αg(k))ϕk(α)=f(x(k)−αg(k))

当目标函数是二次型函数时，可以确定x(k)处的步长αk的解析式。当g(k)=0时，迭代停止，当g(k)≠0时，利用局部极小点的一阶必要条件可得：

ϕ′k(α)=(x(k)−αg(k))TQ(−g(k))−bT(−g(k))

ϕ′k(α)=0时， αg(k)TQg(k)=(x(k)TQ−bT)g(k),因为Q对称，Q=QT,得：

x(k)TQ−bT=g(k)T

所以：

αk=g(k)Tg(k)g(k)TQg(k)

所以，目标函数为二次型函数时，最速下降法的迭代公式为：

x(k+1)=x(k)−g(k)Tg(k)g(k)TQg(k)g(k)

其中，

g(k)=∇f(x(k))=Qx(k)−b