最优化中的牛顿法,二阶收敛性
来源:互联网 发布:糖尿病网络咨询医生 编辑:程序博客网 时间:2024/06/07 08:25
最近偶尔翻阅一本写的不错的最优化理论教材,该书讲得很详细,很透彻。我对非线性规划理论又有了全新的认识,发现牛顿法可以说是是无约束优化中最重要的方法,其他方法:LM方法,高斯牛顿,拟牛顿法,共轭梯度法可以说是对牛顿法的扩展。准备闲来无事时将牛顿法的原理以及求解过程用数例好好再过一遍。
适用对象:二阶可微函数
1. 牛顿法的几何意义本质
在原函数的某一点处用一个二次函数近似原函数,然后用这个二次函数的极小值点作为原函数的下一个迭代点。
上面这句话也说明,若原函数本身是一个二次函数,则牛顿法一步就能到达极小点或鞍点。若原函数本身是一个二次正定函数,则牛顿法一步到达最小值点。
2. 牛顿法的代数意义
梯度与黑塞矩阵分别由下列符号表示:
设任意点为 Xk,下个一迭代点位 Xk+Sk, 该迭代点在 Xk 处的泰勒展开式为:
用下个迭代点的值代替改点的值,即:
因此:
所以,迭代方向为:
该方向又称作牛顿方向。
3. 牛顿法的二阶收敛性
若初始点 x0 充分靠近极值点 x*,并且极值点 x* 的黑塞矩阵非奇异,并且黑塞矩阵在极值点附近 Lipschitz 连续,则牛顿法具有二阶收敛性。
注:Lipschitz 连续是一种比普通连续性更强的连续,它限制了函数的改变速度。对于函数可行域的任意两点,存在一个常数 K,使得:
证明:
由黑塞矩阵的非奇异性与连续性知道,在 x*附近,存在一个常数 M,对于任意的 k,使得
而:
上式右端成立,是因为 g(x*)=0。继续:
上式是因为:
继续,再利用到 Lipstchitz 连续,得到:
因此,牛顿迭代法二阶收敛。
0 0
- 最优化中的牛顿法,二阶收敛性
- 最优化 牛顿法
- 最优化之牛顿法
- 牛顿法-最优化方法
- 为何最优化中的牛顿法是椭球范数下的最速下降法
- 无约束最优化方法-牛顿法
- 最优化理论之牛顿法
- 非线性最优化(二)——高斯牛顿法和Levengerg-Marquardt迭代
- 迭代求解最优化问题——最小二乘问题、高斯牛顿法
- 【工程优化】最优化算法--牛顿法、阻尼牛顿法及单纯形法
- 漫步最优化三十三——牛顿法
- 漫步最优化三十四——高斯-牛顿法
- 漫步最优化四十三——拟牛顿法
- 漫步最优化四十四——基本拟牛顿法
- 无约束最优化方法——牛顿法、拟牛顿法、BFGS、LBFGS
- 无约束最优化方法——牛顿法、拟牛顿法、BFGS、LBFGS
- 最优化学习笔记(五)牛顿法及拟牛顿法
- 优化之牛顿法
- ubuntu终端字体大小和窗口大小设置
- 泛型
- bzoj 4717: 改装 二分+set
- tiptop中如何完成即时通讯
- git bash中文乱码问题解决办法
- 最优化中的牛顿法,二阶收敛性
- Spring MVC Mybatis多数据源
- ECMAScript6笔记:对象的扩展
- .bat文件执行不自动关闭窗口
- Angular 2 User Registration and Login Example & Tutorial - Built with Angular 2.0 Final.
- Rsync同步文件配置
- jquery中serialize方法中文乱码问题
- 欢迎使用CSDN-markdown编辑器
- JSON与XML的区别比较