最速下降法、牛頓法和修正(阻尼)牛頓法
最速下降法、牛頓法和修正(阻尼)牛頓法
the Steepest Descent Method
核心思想:
- 通過尋找方向,逐步降低目標值,直到找到最小值
演算法步驟
- S t e p 1 : 初 始 點 x 1 , 精 度 ϵ > 0 , k = 1 ; Step1:初始點x_1,精度\epsilon>0,k=1; Step1:初始點x1,精度ϵ>0,k=1;
- S t e p 2 : 計 算 搜 索 方 向 d k = − ∇ f ( x k ) ; Step2:計算搜尋方向d_k=-\nabla f(x_k); Step2:計算搜索方向dk=−∇f(xk);
-
S
t
e
p
3
:
如
果
∣
∣
d
k
∣
∣
<
ϵ
,
停
止
計
算
,
輸
出
x
k
,
Step3:如果||d_k||<\epsilon,停止計算,輸出x_k,
Step3:如果∣∣dk∣∣<ϵ,停止計算,輸出xk,
否 則 , 使 f ( x k + λ k d k ) = m i n λ ≥ 0 f ( x k + λ d k ) ; 否則,使f(x_k+\lambda_k d_k)=\underset{\lambda\geq0}{min}f(x_k+\lambda d_k); 否則,使f(xk+λkdk)=λ≥0minf(xk+λdk); - S t e p 4 : x k + 1 = x k + λ k d k , k = k + 1 , 轉 到 S t e p 2. Step4:x_{k+1}=x_k+\lambda_k d_k,k=k+1,轉到Step2. Step4:xk+1=xk+λkdk,k=k+1,轉到Step2.
Newton’s Method
核心思想:
- 二階梯度尋找函式值降低的方向
演算法步驟
- S t e p 1 : 初 始 點 x 1 , 精 度 ϵ > 0 , k = 1 ; Step1:初始點x_1,精度\epsilon>0,k=1; Step1:初始點x1,精度ϵ>0,k=1;
- S t e p 2 : 計 算 搜 索 方 向 ∇ 2 f ( x k ) d k = − ∇ f ( x k ) ; Step2:計算搜尋方向\nabla^2f(x_k)d_k=-\nabla f(x_k); Step2:計算搜索方向∇2f(xk)dk=−∇f(xk);
-
S
t
e
p
3
:
如
果
∣
∣
d
k
∣
∣
<
ϵ
,
停
止
計
算
,
輸
出
x
k
,
Step3:如果||d_k||<\epsilon,停止計算,輸出x_k,
Step3:如果∣∣dk∣∣<ϵ,停止計算,輸出xk,
否 則 , x k + 1 = x k + d k = x k − ( ∇ 2 f ( x k ) ) − 1 ∇ f ( x k ) , k = k + 1 , 轉 到 S t e p 2. 否則,x_{k+1}=x_k+d_k=x_k-(\nabla^2f(x_k))^{-1}\nabla f(x_k),k=k+1,轉到Step2. 否則,xk+1=xk+dk=xk−(∇2f(xk))−1∇f(xk),k=k+1,轉到Step2.
Modified Newdton’s Method
核心思想:
- 結合一維線搜尋和牛頓法
演算法步驟
- S t e p 1 : 初 始 點 x 1 , 精 度 ϵ > 0 , k = 1 ; Step1:初始點x_1,精度\epsilon>0,k=1; Step1:初始點x1,精度ϵ>0,k=1;
- S t e p 2 : 計 算 搜 索 方 向 ∇ 2 f ( x k ) d k = − ∇ f ( x k ) , d k = − ( ∇ 2 f ( x k ) ) − 1 ∇ f ( x k ) ; Step2:計算搜尋方向\nabla^2f(x_k)d_k=-\nabla f(x_k),d_k=-(\nabla^2f(x_k))^{-1}\nabla f(x_k); Step2:計算搜索方向∇2f(xk)dk=−∇f(xk),dk=−(∇2f(xk))−1∇f(xk);
-
S
t
e
p
3
:
如
果
∣
∣
d
k
∣
∣
<
ϵ
,
停
止
計
算
,
輸
出
x
k
,
Step3:如果||d_k||<\epsilon,停止計算,輸出x_k,
Step3:如果∣∣dk∣∣<ϵ,停止計算,輸出xk,
否 則 , 使 f ( x k + λ k d k ) = m i n λ ≥ 0 f ( x k + λ d k ) ; 否則,使f(x_k+\lambda_k d_k)=\underset{\lambda\geq0}{min}f(x_k+\lambda d_k); 否則,使f(xk+λkdk)=λ≥0minf(xk+λdk); - S t e p 4 : x k + 1 = x k + λ k d k , k = k + 1 , 轉 到 S t e p 2. Step4:x_{k+1}=x_k+\lambda_k d_k,k=k+1,轉到Step2. Step4:xk+1=xk+λkdk,k=k+1,轉到Step2.
程式實現後續補充
相關文章
- 【機器學習之數學】02 梯度下降法、最速下降法、牛頓法、共軛方向法、擬牛頓法機器學習梯度
- 牛頓迭代法求根
- 最優化演算法【牛頓法、擬牛頓法、BFGS演算法】優化演算法
- 機器學習之牛頓法機器學習
- 求平方根 && 牛頓迭代法
- 機器學習-牛頓法詳解機器學習
- 用牛頓法求正數的開方值
- matlab練習程式(高斯牛頓法最優化)Matlab優化
- 【小白學AI】XGBoost推導詳解與牛頓法AI
- 【小白學AI】XGBoost 推導詳解與牛頓法AI
- scheme 求平方根函式 sqrt 牛頓法實現Scheme函式
- 牛頓迭代法 - 求解非線性方程根的近似解
- 牛頓單點線割迭代法求解非線性方程
- 數值解和解析解/softmax迴歸/泰勒展開/牛頓法
- 機器學習中牛頓法凸最佳化的通俗解釋機器學習
- 站在巨人肩膀上的牛頓:Kubernetes和SAP Kyma
- 增補部落格 第二十二篇 python 牛頓迭代法Python
- 遊戲中的牛頓力學,簡析遊戲物理機制遊戲
- SSH 連線卡頓解決辦法
- win10輸入法卡頓如何修復_win10輸入法卡頓非常慢處理方法Win10
- 牛頓法、梯度下降法、最小二乘法的原理以及利用它們解決實際問題的python程式設計梯度Python程式設計
- 大白話5分鐘帶你走進人工智慧 - 第二十一節 牛頓法和L-BFGS求函式最優解人工智慧函式
- win10怎麼輸入頓號_win10如何使用自帶輸入法打頓號Win10
- 1014: 牛生牛問題
- iOS 14 egret H5遊戲卡頓問題分析和部分解決辦法iOSH5遊戲
- flutter 修正你的 dart damn syntax 語法FlutterDart
- 牛頓棺材板快蓋不住了:用深度神經網路解決三體問題,提速一億倍神經網路
- 烏鎮世界網際網路大會上,百度敲響了創新動能的“牛頓擺”
- android檢測卡頓問題,recycleview卡頓AndroidView
- 牛說
- 牛客
- 布隆,牛逼!布穀鳥,牛逼!
- openvslam 最佳化誤差問題 隨機一致性 核函式 資訊矩陣(高斯牛頓)SLAM隨機函式矩陣
- 一些長時間GC停頓問題的排查及解決辦法GC
- 最高的牛
- 哈密頓路徑
- 怎麼捕捉牛股?捕“牛股”掌握三技巧
- 關於從其他程式切回word文件時卡頓問題的解決辦法