漫步最优化三十九——Fletcher-Reeves法
你的目光像桥梁,\textbf{你的目光像桥梁,}
指引我通往你心路的捷径。\textbf{指引我通往你心路的捷径。}
你的魅力像磁铁,\textbf{你的魅力像磁铁,}
加快我靠向你身边的步伐。\textbf{加快我靠向你身边的步伐。}
想在你颈边轻轻呼吸,\textbf{想在你颈边轻轻呼吸,}
想在你耳边吐露真言,\textbf{想在你耳边吐露真言,}
想成为你生命的韵律。\textbf{想成为你生命的韵律。}
Pasito a pasito, suave suavecito\textbf{Pasito a pasito, suave suavecito}
Nos vamos pegando, poquito a poquito\textbf{Nos vamos pegando, poquito a poquito}
Y es que esa belleza es un rompecabezas\textbf{Y es que esa belleza es un rompecabezas}
Pero pa montarlo aun tengo la pieza\textbf{Pero pa montarlo aun tengo la pieza}
——畅宝宝的傻逼哥哥\qquad\qquad\qquad\quad\textbf{——畅宝宝的傻逼哥哥}
Fletcher-Reeves法是共轭梯度法的变种,它的主要特征是参数αk,k=0,1,2,…\alpha_k,k=0,1,2,\ldots是用线搜索最小化f(x+αdk)f(\mathbf{x}+\alpha\mathbf{d}_k)确定的,这与最速下降或者牛顿法一样。而不同点在于dk\mathbf{d}_k是对dk−1,dk−2,…,d0\mathbf{d}_{k-1},\mathbf{d}_{k-2},\ldots,\mathbf{d}_0共轭,而不是最速梯度方向或者牛顿方向。
如果所求的问题是凸的,二次的且方向按共轭梯度发选择,那么
\frac{df(\mathbf{x}_k+\alpha\mathbf{d}_k)}{d\alpha}=\mathbf{g}_{k+1}^T\mathbf{d}_k=0
其中k=0,1,2,…k=0,1,2,\ldots,更进一步,共轭的方向集合确保
\frac{df(\mathbf{x}_k+\alpha\mathbf{d}_i)}{d\alpha}=\mathbf{g}_{k+1}^T\mathbf{d}_i=0\quad\text{for}\ 0\leq i\leq k
或者
\mathbf{g}_{k}^T\mathbf{d}_i=0\quad\text{for}\ 0\leq i
所以通过线搜索确定的αk\alpha_k等价于共轭梯度法。因为线搜索需要更多的计算量,所以Fletcher-Reeves的修正是退化的一步,但不管怎样,这样做得到两个非常明显的好处:
- 这个修正使得该方法更加适应非二次问题的最小化,这是因为对不在解邻域内的点,f(x)f(\mathbf{x})沿着dk\mathbf{d}_k方向能够更大程度的减少,这是因为对于非二次问题,共轭梯度法得到的α\alpha沿着dk\mathbf{d}_k方向不会得到最小值。
- 这个修正避免了推导计算海森矩阵。
如果每nn次迭代后重新初始化,那么Fletcher-Reeves算法能够收敛,该算法的具体实现如下:
\begin{align*} &\textbf{算法1:共轭梯度算法}\\ &\textbf{步骤1}\\ &\text{输入}\mathbf{x}_0\text{并初始化容忍误差}\varepsilon\\ &\textbf{步骤2}\\ &\text{令}k=0\\ &\text{计算}\mathbf{g}_0\text{并令}\mathbf{d}_0=-\mathbf{g}_0\\ &\textbf{步骤3}\\ &\text{求}\alpha_k,\text{也就是最小化}f(\mathbf{x}_k+\alpha\mathbf{d}_k)\text{的}\alpha\\ &\text{令}\mathbf{x}_{k+1}=\mathbf{x}_k+\alpha_k\mathbf{d}_k\\ &\textbf{步骤4}\\ &\text{如果}\lVert\alpha_k\mathbf{d}_k\rVert
漫步最优化三十九——Fletcher-Reeves法相关推荐
- 漫步最优化三十六——基本共轭方向法
用我的眼神,\textbf{用我的眼神,} 拍下你的睫毛,\textbf{拍下你的睫毛,} 你微笑的嘴角.\textbf{你微笑的嘴角.} 你的微笑像毒药,\textbf{你的微笑像毒药,} 却洋溢着 ...
- 漫步最优化三十五——共轭
我对你的喜欢像玻璃,\textbf{我对你的喜欢像玻璃,} 透明的能被你看穿.\textbf{透明的能被你看穿.} 我对你的思念像影子,\textbf{我对你的思念像影子,} 傍晚时分就被拉长.\te ...
- 漫步最优化三十四——高斯-牛顿法
你的温柔像羽毛,\textbf{你的温柔像羽毛,} 秘密躺在我怀抱.\textbf{秘密躺在我怀抱.} 你的微笑像拥抱,\textbf{你的微笑像拥抱,} 只有我能看到.\textbf{只有我能看到. ...
- 漫步最优化二十九——D.S.C.算法
你是我的小公主,\textbf{你是我的小公主,} 像宠你宠你宠你.\textbf{像宠你宠你宠你.} 你是我的小公主,\textbf{你是我的小公主,} 我的天空是晴是雨是彩虹,\textbf{我的 ...
- 漫步最优化三十八——非二次函数最小化
你独一无二的声音,\textbf{你独一无二的声音,} 穿越了繁杂喧嚣,\textbf{穿越了繁杂喧嚣,} 回荡在我的脑中.\textbf{回荡在我的脑中.} 你独一无二的声音,\textbf{你独一 ...
- 漫步最优化三十二——最速下降法
爱需要勇气,\textbf{爱需要勇气,} 但是也许是天意,\textbf{但是也许是天意,} 让我爱上你,\textbf{让我爱上你,} 也许轮回里早已注定,\textbf{也许轮回里早已注定,} ...
- 漫步最优化三十——非精确线搜索
说明:今天10.24,祝程序员们节日快乐,呜啦啦啦\textbf{说明:今天10.24,祝程序员们节日快乐,呜啦啦啦} 爱上一个人后,\textbf{爱上一个人后,} 发现自己变得主动了,\textb ...
- 漫步数学分析三十九——隐函数定理
假设x,yx,y被方程F(x,y)=0F(x,y)=0关联起来,我们会说这定义了一个函数y=f(x)y=f(x)(或者说隐式定义了y=f(x)y=f(x)),然后打算计算dy/dxdy/dx.前面已经 ...
- C语言笔记 第三十九课 程序中的三国天下
第三十九课 程序中的三国天下 程序中的栈 栈是现代计算机程序里最为重要的概念之一 栈在程序中用于维护函数调用上下文 函数中的参数和局部变量存储在栈上 栈是一种行为,一种先进后出的行为 栈保存了一个函数 ...
最新文章
- HDU - 6971 K - I love max and multiply sosdp
- python烟花表白_python炫酷烟花表白源代码
- npm使用taobao镜像
- 猎豹浏览器缓存文件在哪 猎豹浏览器缓存文件位置说明
- CListCtrl行高问题最终解决方法
- work summary(1)
- 深入解析C++ STL中的常用容器
- oracle系统AP对应的凭证编号,AP主要账户及会计分录
- PIC单片机学习-中断
- windows 中hosts文件
- AI 全自动玩斗地主,靠谱吗?Douzero算法教程
- 38000词汇词根统计
- Shiro(三)——三种不同的登录方式、RememberMe登录、Shiro 授权、其他配置(配置注销后的跳转页面、处理 JsessionID)
- matlab的subplot--子图位置大小随心所欲
- Matlab小实例(一)
- 深耕技术,与实践赛跑:一文告诉你如何稳妥快速完善区块链技术并有序推动商用​?...
- 关于PCM音频重采样思路及注意事项(频率变换和通道数变换(单通道转双通道))
- Win10微软输入法取消繁体简体切换快捷键的方法
- DebugView工具使用方法
- C语言RSA实现对字符串加密,C语言实现RSA加解密算法