一、预备知识
二、无约束最优化方法的基本结构
三、凸集和凸函数
四、负梯度方法和Newton型方法
五、共轭梯度法
六、约束最优化问题的最优性理论
七、罚函数方法
八、期末复习
8.1 知识点复习
8.2 习题复习
8.3 大实验代码
8.3.1实验内容
利用Matlab编程，实现采用简单Armijo非精确线搜索求步长的三种方法：负梯度法、BFGS法及FR共轭梯度法，并求解如下无约束优化问题：
m
i
n
f
(
x
)
=
10
(
x
1
3
−
x
2
)
2
+
(
x
1
−
1
)
2
min f(x) =10(x_1^3-x_2)^2+(x_1-1)^2
minf(x)=10(x13−x2)2+(x1−1)2
通过实验过程进一步理解三种方法的原理和步骤，并对实验结果进行分析比较。
8.3.2实验目的
掌握无约束最优化算法的基本架构，并能熟练使用Matlab软件实现一些基本实用的算法并进行数值试验分析。
8.3.3算法描述
8.3.4程序中的参数设置、终止准则、关键技术(语句)等说明
8.3.5实验代码
8.3.5.1 目标函数
%%计算函数值
function f=func(X)
f=10.*(X(1).^3-X(2)).^2+(X(1)-1).^2;
end
8.3.5.2 计算梯度
%计算梯度值
function g=grd(X)
%计算梯度表达式
% syms x1 x2;
% f=10*(x1^3-x2)^2+(x1-1)^2;
% diff(f,x1)
% diff(f,x2)
% ans = 2*x1 - 60*x1^2*(- x1^3 + x2) - 2
% ans = - 20*x1^3 + 20*x2
g=[2*X(1) - 60*X(1).^2*(- X(1).^3 + X(2)) - 2;- 20*X(1).^3 + 20*X(2)];
end
8.3.5.3 Armijo准则更新步长
function x=armijo(func,xk,dk,gk)
m=0;max_m=1000;
rho=0.001;alpha=1;belta=0.618;
gd=gk'*dk;
fk=feval(func,xk);%初始化条件
while m<max_m
x=xk+alpha*dk;%试探点
f=feval(func,x);%试探点的函数值
if f<=fk+alpha*rho*gd%终止条件
break;
end
alpha=alpha*belta;%修改alpha的值
m=m+1;
end
8.3.5.4最速下降法
function [x1 fval1 k1]=fd(x0,func,gfunc,eps,kmax)
k1 = 0;
x1 = x0;%设置初始条件
while k1 < kmax
g = feval(gfunc,x1);%计算梯度，x改变时更新梯度
if norm(g)<eps%迭代终止条件
break;
end
d=-g;%更新方向
x1=armijo(func,x1,d,g);%采用Armijo搜索计算当前点x，最终找到近似最优解
k1=k1+1;
end
fval1=feval(func,x1);%计算目标函数值
8.3.5.5 BFGS法
function [x2,fval2,k2]=bfgs(x0,func,grd,H0,eps,kmax)
k2=0;
H=H0;
x2=x0;
g=feval(grd,x2);%设置初始条件
while k2<kmax
if norm(g)<eps%终止条件
break;
end
d=-H*g;%更新方向
x_=x2;%原来的x
x2=armijo(func,x2,d,g);%更新后的x
g_=g;%原来的g
g=feval(grd, x2);%更新后的梯度
s=x2-x_;
y=g-g_;
if s'*y>0
v=y'*s;
H=H+(1+(y'*H*y)/v)*(s*s')/v-(s*y'*H+H*y*s')/v;
%采用BFGS方法更新H
end
k2=k2+1;
end
fval2=feval(func,x2);%计算目标函数值
8.3.5.6 FR共轭梯度法
function [x3,fval3,k3]=FR(x0,func,gfunc,eps,kmax)
n=9;k3=0;x3=x0;%设置初始条件
while k3<kmax
g=feval(gfunc,x3);%更新g
m=g'*g;%更新后的g*g
if norm(g)<eps%终止条件
break;
end
if mod(k3,n)==0%n步重新开始策略
d=-g;
else
belta=m/q;%belta的计算
d=-g+belta*d;%更新d的值
if g'*d>=0
d=-g;
end
end
x3=armijo(func,x3,d,g);%采用Armijo搜索计算当前点，最终找到近似最优解
q=g'*g;%更新前的g*g
k3=k3+1;
end
fval3=feval(func,x3);%计算目标函数值
8.3.5.7 主程序
clear;clc
x0=unifrnd(-5,5,2,1);%产生满足[-5, 5]均匀分布的初始点
%x0=[3.4913;-1.0777];%[-5,5]均匀分布产生的初始点
...x0=[0.2753;-0.1224];x0=[0.1232;1.1167];x0=[-1.1955;0.6782];x0=[-3.7301;4.1338];x0=[1.3236;-4.0246];
...x0=[2.9221;4.3399];x0=[4.5949;1.7874];x0=[1.5574;2.5774];x0=[-4.6429;2.4313];x0=[3.4913;-1.0777]
eps=1.e-8;%设置精度1.e-4,1.e-5;1.e-6;1.e-7;1.e-8;
kmax=100000;%设置迭代上限
H0=eye(2);%H初始为一个2×2的单位矩阵
%%采用Armijo搜索的负梯度法程序
tic
[x1,fval1,k1]=fd(x0,'func','grd',eps,kmax);
t1=toc;
%%采用Armijo搜索的BFGS法程序
tic
[x2,fval2,k2]=bfgs(x0,'func','grd',H0,eps,kmax)
t2=toc;
%%采用Armijo搜索的FR共轭梯度法程序
tic
[x3,fval3,k3]=FR(x0,'func','grd',eps,kmax);
t3=toc;
SSE1=sqrt(sum((x1-[1;1]).^2,1));%负梯度法下近似解与精确解的2范数下的误差
SSE2=sqrt(sum((x2-[1;1]).^2,1));%BFGS法下近似解与精确解的2范数下的误差
SSE3=sqrt(sum((x3-[1;1]).^2,1));%FR共轭梯度法下近似解与精确解的2范数下的误差
A=[SSE1 fval1 k1 t1;SSE2 fval2 k2 t2;SSE3 fval3 k3 t3]'%分别记录【误差，函数值，迭代次数，运行时间】
文章来源：https://www.toymoban.com/news/detail-783422.html
九、总结
本篇文章详细的讲解最优化理论的一些常见方法，有了这些基础的最优化知识，方便我们以后深入学习最优化理论以及人工智能方面的知识。文章来源地址https://www.toymoban.com/news/detail-783422.html
到了这里，关于最优化理论笔记及期末复习（《数值最优化》——高立）的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
