牛頓法(Newton's method)是一種在實數(shù)域和復數(shù)域上近似求解方程的方法,，它使用函數(shù)f(x)的泰勒級數(shù)的前面幾項來尋找方程f(y)=0的根。 牛頓法最初由艾薩克·牛頓在《Method of Fluxions》(1671年完成，1736年公開發(fā)表)中提出。約瑟夫·鮑易也曾于1690年在Analysis Aequationum中提出此方法。

目錄

1. 問題提出?

2. 基本思想?

3. 迭代公式

4. 算法步驟?

5. 算法收斂性?

6. 解的情況

7. 阻尼牛頓法

8. 算法實現(xiàn)

9. 算法評價

1問題提出

對于無約束優(yōu)化模型

其中為二階連續(xù)光滑且Hessian陣可逆。

2基本思想

用一個二次函數(shù)去近似目標函數(shù)f(x),然后精確地求出這個二次函數(shù)的極小點.

Newton法幾何解釋

3迭代公式

?Newton法的迭代公式為：

其中稱為牛頓方向。

考慮函數(shù)f(x)在點處的二次泰勒近似

由于可逆，則的一階穩(wěn)定點滿足，即

由上式可得

這正是牛頓法的迭代公式。由此說明，牛頓法在每次迭代中考慮函數(shù)在當前的局部二次泰勒展開，其迭代步長為1，迭代方向是梯度方向經(jīng)過Hessian逆陣的調(diào)整。如果函數(shù)f為凸函數(shù)，此時正定，從而,即牛頓方向是下降方向。

4算法步驟

牛頓法的算法步驟如下：

Step 0.?選取初始點，允許誤差ε>?0，令 k=1；

Step 1.?計算。若,算法停止；.否則，轉(zhuǎn) Step 2；

Step 2.?計算。置k=k+1，轉(zhuǎn) step 1.

5算法收斂性

這里討論牛頓算法的局部收斂性質(zhì)，這是由于Hessian陣可能不總是正定，即牛頓方向可能不總是下降方向。我們假設(shè)目標函數(shù)f為凸函數(shù)，二階連續(xù)可微，最優(yōu)解處正定。此時，在附近的點，其也是正定的。從而牛頓方法是有定義的，并且在迭代步長最終取1的情況下具有二次收斂性。

定理：假設(shè)函數(shù)f二階可微，其Hessian陣在最優(yōu)解的鄰域是Lipschitz連續(xù)的，且在處滿足充分條件且正定。考慮迭代公式，則下面結(jié)論成立：

(i)如果初始點充分接近解點,算法產(chǎn)生的點列收斂到;

(ii)點列收斂速率是二次的；

(iii)梯度模長的點列二次收斂到0.

6解的情況

用Newton法求解無約束問題會出現(xiàn)以下情形：

• 算法收斂到極小點；

• 算法收斂到鞍點；

• Hesse矩陣不可逆，無法迭代下去。

7阻尼牛頓法

牛頓法的有效性嚴重依賴初始點的選擇，即初始點需要充分靠近極小值點，否則可能導致算法不收斂。由于實際問題的精確最小值點一般是不知道的，因此初始點的選擇給算法的實現(xiàn)帶來了很大的挑戰(zhàn)。為了解決這一問題，可引入線搜索技術(shù)以得到大范圍的收斂算法，即阻尼牛頓法。

阻尼牛頓法的算法步驟如下：

Step 0.?選取初始點，允許誤差ε>?0，令 k=1；

Step 1.?計算。若,算法停止；.否則，轉(zhuǎn) Step 2；

Step 2.?取搜索方向，利用線搜索技術(shù)確定步長;

Step 3.?令。置k=k+1，轉(zhuǎn) step 1.

8算法實現(xiàn)

例1：求解無約束優(yōu)化問題

該問題有精確解

解：

方法1：牛頓法法

使用 MATLAB 編寫最速下降法的主函數(shù)如下：

function [X,Y,Error] = Newton(x0)

%使用牛頓法求解無約束問題：min f(x)

%輸入：x0為初始點，fun為目標函數(shù)，grad為梯度函數(shù)

%輸出:X,Y分別為每一步的迭代點及相應函數(shù)值，Error為誤差

tic

%% 定義目標函數(shù)及導函數(shù)信息(可以根據(jù)需要進行修改)

f = @(x)100*(x(1)^2-x(2))^2+(x(1)-1)^2;???????????????????? ?%目標函數(shù)

g = @(x)[400*x(1)*(x(1)^2-x(2))+2*(x(1)-1);-200*(x(1)^2-x(2))];?? %一階導數(shù)

G = @(x)[1200*x(1)^2-400*x(2)+2,-400*x(1);-400*x(1), 200 ];? ??%二階導數(shù)??

%% 初始化算法參數(shù)

n = 1;

e = norm(g(x0));

X = x0;

Y = f(x0);

Error = e;

%% 設(shè)定終止條件

N = 5000; ???????????????????????????????????????%最大迭代步

E = 1e-6;??????????????????? ?????????????????????%給定誤差

%% 迭代

while n < N && e > E

??? n = n+1;

??? %判斷Hesse矩陣是否可逆

??? ifdet(G(x0)) == 0

???????disp('Hesse矩陣不可逆，無法進行迭代！');

???? ???break

??? else

??????? d =-inv(G(x0))*g(x0);???????????????????? %迭代方向

??????? x0 =x0+d;?????????? ????????????????????%迭代公式

??????? X(:,n)= x0;

??????? Y(n) =f(x0);

??????? e =norm(g(x0));

???????Error(n) = e;

??? end

end

toc

end

調(diào)用格式如下：

x0 = [0;0];???????????????? %迭代初始點(可以根據(jù)需要修改)

[X,Y,E]=Newton(x0);

本問題求解結(jié)果如下：

方法2：阻尼牛頓法

使用 MATLAB 編寫最速下降法的主函數(shù)如下：

function [X,Y,Error] =ZNNewton(x0)

%使用阻尼牛頓法求解無約束問題：min f(x)

%使用非精確Armijo搜索步長規(guī)則

%輸入：x0為初始點，fun為目標函數(shù)，grad為梯度函數(shù)

%輸出:X,Y分別為每一步的迭代點及相應函數(shù)值，Error為誤差

tic

%% 初始化參數(shù)

f = @(x)100*(x(1)^2-x(2))^2+(x(1)-1)^2;??????????????????????? %目標函數(shù)

g =@(x)[400*x(1)*(x(1)^2-x(2))+2*(x(1)-1);-200*(x(1)^2-x(2))];??? %一階導數(shù)

G =@(x)[1200*x(1)^2-400*x(2)+2, -400*x(1);-400*x(1), 200 ];???? ?%二階導數(shù)??

%% 初始化算法參數(shù)

n = 1;

e = norm(g(x0));

X = x0;

Y = f(x0);

Error = e;

beta=0.5;sigma=0.4;

%% 設(shè)定終止條件

N = 5000;?????????????????????????????????????? %最大迭代步???????????????

E = 1e-6;??????? ????????????????????????????????%給定誤差

%% 迭代

while n < N &&e > E

??? n = n+1;

??????? %判斷Hesse矩陣是否可逆

??????? if det(G(x0)) == 0

? ??????????disp('Hesse矩陣不可逆，無法進行迭代！');

??????????? break

??????? else

??????????? d = -inv(G(x0))*g(x0);???????????????? %迭代方向

??????????? %使用Armijo法求步長

??????????? m=0; mk=0;

??????????? while(m<20)

???????????????if(f(x0+beta^m*d)

??????????????????? mk=m; break;

??????????????? end

??????????????? m=m+1;

??????????? end

??????????? x0 = x0+beta^mk*d;?????????????????? %迭代公式

??????????? X(:,n) = x0;

?????????? ?Y(n) = f(x0);

??????????? e = norm(g(x0));

??????????? Error(n) = e;

??????? end

end

toc

end

調(diào)用格式如下：

x0 = [0;0];???????????????? %迭代初始點(可以根據(jù)需要修改)

[X,Y,E]=ZNNewton(x0);

本問題求解結(jié)果如下：

9算法評價

1)優(yōu)點:

• Newton法產(chǎn)生的點列若收斂，則收斂速度快---具有至少二階收斂速率；

• Newton法具有二次終止性，即對強凸函數(shù)Newton法只需迭代一次就能得到最優(yōu)值。

2)缺點:

• Newton法可能會出現(xiàn)在某步迭代時，目標函數(shù)值上升；

• 當初始點遠離極小點時，Newton法產(chǎn)生的點列可能不收斂，或者收斂到鞍點，或者Hesse矩陣不可逆，無法計算；

• Newton法需要計算Hesse矩陣，計算量大.

往期回顧

算法丨優(yōu)化算法之最速下降法

算法丨經(jīng)典優(yōu)化算法大合集(比賽備用，值得收藏)

算法丨優(yōu)化算法系列之遺傳算法原理

算法丨優(yōu)化算法系列之遺傳算法MATLAB程序設(shè)計及應用實例

算法丨優(yōu)化算法系列之模擬退火算法(1)

算法丨優(yōu)化算法系列之模擬退火算法(2)——0-1背包問題

參考文獻：馬昌鳳.最優(yōu)化方法及其 Matlab 程序設(shè)計[M]. 科學出版社, 2010.

總結(jié)

以上是生活随笔為你收集整理的matlab共轭梯度法_优化算法之牛顿法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。