最速下降法python_用Python实现最速下降法求极值的方法
对于一个多元函数
,用最速下降法(又称梯度下降法)求其极小值的迭代格式为
其中
为负梯度方向,即最速下降方向,αkαk为搜索步长。
一般情况下,最优步长αkαk的确定要用到线性搜索技术,比如精确线性搜索,但是更常用的是不精确线性搜索,主要是Goldstein不精确线性搜索和Wolfe法线性搜索。
为了调用的方便,编写一个Python文件,里面存放线性搜索的子函数,命名为linesearch.py,这里先只编写了Goldstein线性搜索的函数,关于Goldstein原则,可以参看最优化课本。
线性搜索的代码如下(使用版本为Python3.3):
'''
线性搜索子函数
'''
import numpy as np
import random
def goldsteinsearch(f,df,d,x,alpham,rho,t):
flag=0
a=0
b=alpham
fk=f(x)
gk=df(x)
phi0=fk
dphi0=np.dot(gk,d)
alpha=b*random.uniform(0,1)
while(flag==0):
newfk=f(x+alpha*d)
phi=newfk
if(phi-phi0<=rho*alpha*dphi0):
if(phi-phi0>=(1-rho)*alpha*dphi0):
flag=1
else:
a=alpha
b=b
if(b
alpha=(a+b)/2
else:
alpha=t*alpha
else:
a=a
b=alpha
alpha=(a+b)/2
return alpha
上述函数的输入参数主要包括一个多元函数f,其导数df,当前迭代点x和当前搜索方向d,返回值是根据Goldstein准则确定的搜索步长。
我们仍以Rosenbrock函数为例,即有
于是可得函数的梯度为
最速下降法的代码如下:
"""
最速下降法
Rosenbrock函数
函数 f(x)=100*(x(2)-x(1).^2).^2+(1-x(1)).^2
梯度 g(x)=(-400*(x(2)-x(1)^2)*x(1)-2*(1-x(1)),200*(x(2)-x(1)^2))^(T)
"""
import numpy as np
import matplotlib.pyplot as plt
import random
import linesearch
from linesearch import goldsteinsearch
def rosenbrock(x):
return 100*(x[1]-x[0]**2)**2+(1-x[0])**2
def jacobian(x):
return np.array([-400*x[0]*(x[1]-x[0]**2)-2*(1-x[0]),200*(x[1]-x[0]**2)])
X1=np.arange(-1.5,1.5+0.05,0.05)
X2=np.arange(-3.5,2+0.05,0.05)
[x1,x2]=np.meshgrid(X1,X2)
f=100*(x2-x1**2)**2+(1-x1)**2; # 给定的函数
plt.contour(x1,x2,f,20) # 画出函数的20条轮廓线
def steepest(x0):
print('初始点为:')
print(x0,'\n')
imax = 20000
W=np.zeros((2,imax))
W[:,0] = x0
i = 1
x = x0
grad = jacobian(x)
delta = sum(grad**2) # 初始误差
while i10**(-5):
p = -jacobian(x)
x0=x
alpha = goldsteinsearch(rosenbrock,jacobian,p,x,1,0.1,2)
x = x + alpha*p
W[:,i] = x
grad = jacobian(x)
delta = sum(grad**2)
i=i+1
print("迭代次数为:",i)
print("近似最优解为:")
print(x,'\n')
W=W[:,0:i] # 记录迭代点
return W
x0 = np.array([-1.2,1])
W=steepest(x0)
plt.plot(W[0,:],W[1,:],'g*',W[0,:],W[1,:]) # 画出迭代点收敛的轨迹
plt.show()
为了实现不同文件中函数的调用,我们先用import函数导入了线性搜索的子函数,也就是下面的2行代码
import linesearch
from linesearch import goldsteinsearch
当然,如果把定义goldsteinsearch函数的代码直接放到程序里面,就不需要这么麻烦了,但是那样的话,不仅会使程序显得很长,而且不便于goldsteinsearch函数的重用。
此外,Python对函数式编程也支持的很好,在定义goldsteinsearch函数时,可以允许抽象的函数f,df作为其输入参数,只要在调用时实例化就可以了。与Matlab不同的是,传递函数作为参数时,Python是不需要使用@将其变为函数句柄的。
运行结果为
初始点为:
[-1.2 1. ]
迭代次数为: 1504
近似最优解为:
[ 1.00318532 1.00639618]
迭代点的轨迹为
由于在线性搜索子程序中使用了随机函数,初始搜索点是随机产生的,因此每次运行的结果不太相同,比如再运行一次程序,得到
初始点为:
[-1.2 1. ]
迭代次数为: 1994
近似最优解为:
[ 0.99735222 0.99469882]
所得图像为
以上这篇用Python实现最速下降法求极值的方法就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持我们。
时间: 2019-07-08
最速下降法python_用Python实现最速下降法求极值的方法相关推荐
- python求最值_用Python实现最速下降法求极值的方法
对于一个多元函数 ,用最速下降法(又称梯度下降法)求其极小值的迭代格式为 其中 为负梯度方向,即最速下降方向,αkαk为搜索步长. 一般情况下,最优步长αkαk的确定要用到线性搜索技术,比如精确线性搜 ...
- python迭代法求极值_用Python实现最速下降法求极值的方法
对于一个多元函数 ,用最速下降法(又称梯度下降法)求其极小值的迭代格式为 其中 为负梯度方向,即最速下降方向,αkαk为搜索步长. 一般情况下,最优步长αkαk的确定要用到线性搜索技术,比如精确线性搜 ...
- python实现牛顿法_使用Python实现牛顿法求极值
对于一个多元函数 用牛顿法求其极小值的迭代格式为 其中 为函数 的梯度向量, 为函数 的Hesse(Hessian)矩阵. 上述牛顿法不是全局收敛的.为此可以引入阻尼牛顿法(又称带步长的牛顿法). 我 ...
- 怎么查看电脑有没有python_使用python获取电脑的磁盘信息方法
使用Python获取电脑的磁盘信息需要借助于第三方的模块psutil,这个模块需要自己安装,纯粹的CPython下面不具备这个功能. 在iPython交互界面中进行如下演示: 查看电脑的磁盘分区: I ...
- 取模是什么意思python_原来Python中的取模运算方法竟然是这样的!
今天小编就为大家分享一篇Python中的取模运算方法,具有很好的参考价值,希望对大家有所帮助.一起跟随小编过来看看吧 所谓取模运算,就是计算两个数相除之后的余数,符号是%.如a % b就是计算a除以b ...
- isdigit函数python_在Python中处理字符串之isdigit()方法的使用
在Python中处理字符串之isdigit()方法的使用 更新时间:2015年05月18日 12:06:29 投稿:goldensun 这篇文章主要介绍了在Python中处理字符串之isdigit() ...
- matlab 中序列求极值的方法,Matlab中求序列的极值
我们知道,在Matlab中有专门求序列最大值和最小值的函数,分别是Max 和 Min,但是有时候我们不满足于求整个序列的最值,而是对序列的极值,也就是局部的最值感兴趣.对于解析函 数,这个比较简单,只 ...
- 判断ip地址的合法性python_使用Python判断IP地址合法性的方法实例
一.使用方法和执行效果请看图: 二.python实现代码: [root@yang python]# vi check_ip.py #!/usr/bin/python import os,sys def ...
- **kwargs python_在Python中使用** kwargs的正确方法
虽然大多数答案都是这样说的,例如, def f(**kwargs): foo = kwargs.pop('foo') bar = kwargs.pop('bar') ...etc... 是相同的&qu ...
- Python实现最速下降法(The steepest descent method)详细案例
文章目录 最速下降法(The steepest descent method) 最速下降法的原理 Python实现最速下降法实例 `sympy`包中用到的函数 构建符号变量和符号函数 对符号函数求导 ...
最新文章
- linux 测试各大网站速度curl
- 整数实现求整数和算法
- python【蓝桥杯vip练习题库】BASIC-19完美的代价(贪心算法)
- Paxos与zookeeper
- Redis学习总结(16)——Redis 集群的5种使用方式,及各自优缺点对比分析
- windows 10 80端口占用处理方法_已迁移
- java pdfbox 提取pdf 标题_java – 使用pdfbox从PDF文件中提取文本
- 华为OJ编程 动态规划类
- 码出高效:Java开发手册 ——百度网盘下载链接
- oracle卸载干净步骤
- 惠普笔记本苹果w10双系统_苹果电脑安装双系统教程:MacOS和Win10双系统安装教程...
- 嵌入式C编程中的设计模式之二——状态机模式
- dtm源码编译安装-运行客户端demo
- 我理解数字滤波器 -电容
- Layui 重载后表格内容重复 更换提交方式已解决
- Compose也能跨平台?Compose Multiplatform是啥?KMM又是什么?
- 示坡线高程判断_【专题突破】等高线地形图的判读技巧
- 局部色调映射(Local Tone Mapping)
- 信息安全行业从业者----鱼龙混杂也藏龙卧虎
- 【Navicat11安装教程】
热门文章
- 10个最佳QR码二维码和条形码Javascript库
- java jsch执行脚本_JSch远程执行脚本
- stm8s单片机2位数码管显示_STM8S103数字电压表头,增加四位显示,串口功能,附源码...
- 计算机怎么禁止远程桌面,win7怎样禁用远程桌面共享_win7系统禁用远程桌面共享的步骤-系统城...
- Mybatis 拦截器报错
- mockserver使用
- 智能文档比对小程序,支持扫描件比对、PDF比对,Word比对,合同比对、公文比对,限时免费使用
- URL和URI的区别及理解
- QGIS 3初级到高级
- 50多款 51单片机程序源码 原理图 编程源代码