algoc++之求解根号2
目录
- 前言
- 1.问题描述
- 2.梯度下降法
- 3.牛顿法
- 结语
- 参考
前言
目的:学习开源项目algorithm-cpp,记录学习过程,有问题欢迎各位批评指正!
作者:shouxieai
项目地址:https://github.com/shouxieai/algorithm-cpp
本次任务:利用梯度下降法和牛顿法求解x\scriptsize \sqrt{x}x
PS:由于CSDN公式渲染效果太差,有点影响体验。
1.问题描述
使用梯度下降法和牛顿法实现求解根号x
x=?\sqrt{x}=? x=?
2.梯度下降法
问题思考方式:
第一步:转化问题,将x\scriptsize \sqrt{x}x转化为L(t)=(t2−x)2\scriptsize L(t)=(t^2-x)^2L(t)=(t2−x)2,当L(t)=0\scriptsize L(t)=0L(t)=0时,t\scriptsize tt就是计算得出的结果
第二步:寻找合适的解,找t\scriptsize tt使得L(t)=(t2−x)2=0\scriptsize L(t)=(t^2-x)^2 = 0L(t)=(t2−x)2=0
第三步:找到的t\scriptsize tt,就是得出的结果
转化问题的目的是,求解L(t)\scriptsize L(t)L(t)的极小值,也就是导数为0的点
补充知识点
L(t)\scriptsize L(t)L(t)为偶函数,关于y轴对称,只需要考虑[0,+∞)\scriptsize [0,+∞)[0,+∞)
在[0,+∞)\scriptsize [0,+∞)[0,+∞)上L(t)\scriptsize L(t)L(t)为凹函数,参考自什么是凹函数和凸函数?
如果凹函数在区间上的局部极小值存在则一定是该区间最小值。参考自函数凹凸性和极值
L(t)=0\scriptsize L(t)=0L(t)=0时取最小值同时也是极小值
如何找t\scriptsize tt,使得L(t)=0\scriptsize L(t)=0L(t)=0,注意L(t)\scriptsize L(t)L(t)取0是L\scriptsize LL函数的极小值
核心思想:
第一步:随机给定一个初始值t0\scriptsize t_0t0
第二步:在这个位置观察,t\scriptsize tt应该如何调整能够使得函数值变小,即L(t1)<L(t0)\scriptsize L(t_1)<L(t_0)L(t1)<L(t0)
第三步:不停根据第二步做调整,直到L(tn)\scriptsize L(t_n)L(tn)足够接近0为止(或调整量足够小)
如何调整使函数值变小
具体如何调整呢?在t的领域内对比L(t−Δt)\scriptsize L(t-\Delta t)L(t−Δt)与L(t+Δt)\scriptsize L(t+\Delta t)L(t+Δt)
若L(t−Δt)<L(t)\scriptsize L(t-\Delta t)<L(t)L(t−Δt)<L(t),则t1=t−Δt\scriptsize t1=t-\Delta tt1=t−Δt
若L(t+Δt)<L(t)\scriptsize L(t+\Delta t)<L(t)L(t+Δt)<L(t),则t1=t+Δt\scriptsize t1=t+\Delta tt1=t+Δt
由于考虑的是t\scriptsize tt的领域内,因此Δt\scriptsize \Delta tΔt是大于0的无穷小数
可以改写为
若L(t)−L(t−Δt)>0\scriptsize L(t)-L(t-\Delta t)>0L(t)−L(t−Δt)>0,则t1=t−Δt\scriptsize t_1=t-\Delta tt1=t−Δt
若L(t+Δt)−L(t)<0\scriptsize L(t+\Delta t)-L(t)<0L(t+Δt)−L(t)<0,则t1=t+Δt\scriptsize t_1=t+\Delta tt1=t+Δt
合成后如下:
t1=t−L(t+Δt)−L(t)∣L(t+Δt)−L(t)∣Δtt_{1}=t-\frac{L(t+\Delta t)-L(t)}{|L(t+\Delta t)-L(t)|} \Delta t t1=t−∣L(t+Δt)−L(t)∣L(t+Δt)−L(t)Δt
t领域内
对式子进行变换
t1=t−L(t+Δt)−L(t)∣L(t+Δt)−L(t)∣Δt(1)t_{1}=t-\frac{L(t+\Delta t)-L(t)}{|L(t+\Delta t)-L(t)|} \Delta t \tag1 t1=t−∣L(t+Δt)−L(t)∣L(t+Δt)−L(t)Δt(1)
t1=t−L((t+Δt)−L(t)Δt∣L(t+Δt)−L(t)Δt∣Δt=t−L(t+Δt)−L(t)ΔtΔt∣L(t+Δt)−L(t)Δt∣(2)t_{1}=t-\frac{\frac{L((t+\Delta t)-L(t)}{\Delta t}}{\left|\frac{L(t+\Delta t)-L(t)}{\Delta t}\right|} \Delta t=t-\frac{L(t+\Delta t)-L(t)}{\Delta t} \frac{\Delta t}{\left|\frac{L(t+\Delta t)-L(t)}{\Delta t}\right|} \tag2 t1=t−∣∣∣ΔtL(t+Δt)−L(t)∣∣∣ΔtL((t+Δt)−L(t)Δt=t−ΔtL(t+Δt)−L(t)∣∣∣ΔtL(t+Δt)−L(t)∣∣∣Δt(2)
t1=t−αL(t+Δt)−L(t)Δt(α→0+)(3)t_{1}=t-\alpha \frac{L(t+\Delta t)-L(t)}{\Delta t} \quad\left(\alpha \rightarrow 0^{+}\right) \tag3 t1=t−αΔtL(t+Δt)−L(t)(α→0+)(3)
得出迭代式,t1\scriptsize t_1t1只需要取t−αL′(t)\scriptsize t-\alpha L^{\prime}(t)t−αL′(t),就能够保证L(t1)≤L(t0)\scriptsize L(t_1) \leq L(t_0)L(t1)≤L(t0),并使得L\scriptsize LL逐渐下降,直到逼近0为止,注意这里的α\scriptsize \alphaα必须取趋近于0的无穷小时,该行为才能恒成立,α\scriptsize \alphaα也被视作步长
然而真实世界是
t1=t−αL(t+Δt)−L(t)Δt(α→0+)t_{1}=t-\alpha \frac{L(t+\Delta t)-L(t)}{\Delta t} \quad\left(\alpha \rightarrow 0^{+}\right) t1=t−αΔtL(t+Δt)−L(t)(α→0+)
- 1.当α\scriptsize \alphaα取无穷小时,虽然一定保证下降,但效率太慢
- 2.日常设计的很多函数,可以运行使用相对大一些的步长,比如α=0.01\scriptsize \alpha=0.01α=0.01。原因在于虽然步长大了可能跳过合适位置,使得L(t1)>L(t0)\scriptsize L(t_1)>L(t_0)L(t1)>L(t0),但是在下一个时刻,依旧可能跳回来使得L(t2)<L(t1)\scriptsize L(t_2)<L(t_1)L(t2)<L(t1)
- 3.大的步长不能保证一定收敛,但是大部分时候是可以很好的工作
- 4.因此步长α\scriptsize \alphaα,我们常称之为学习率,通常会给一个相对小的数字,但不会太小
代码如下
float x = 2;
float t = x / 2;
float L = (t * t - x) * (t * t - x);
float a = 0.01;while(L > 1e-5){float delta = 2 * (t * t - x) * 2 * t;t = t - a * delta;L = (t * t - x) * (t * t - x);
}
cout << "result: " << t << endl;
第一步:初始化t=x2t=\frac{x}{2}t=2x,t\scriptsize tt也可以初始化为随机值,不过加入先验给一个更好的初始化,使得求解更迅速
第二步:计算L(t)=(t2−x)2\scriptsize L(t)=(t^2-x)^2L(t)=(t2−x)2
第三步:若L(t)>1e−5\scriptsize L(t)>1e-5L(t)>1e−5,则继续迭代,否则停止迭代(注:delta足够小时也可以停止迭代)
第四步:计算导数dL(t)dt=2(t2−x)⋅2t\scriptsize \frac{d L(t)}{d t}=2\left(t^{2}-x\right) \cdot 2 tdtdL(t)=2(t2−x)⋅2t
第五步:更新t+=t−α⋅dL(t)dt\scriptsize t^{+}=t-\alpha \cdot \frac{d L(t)}{d t}t+=t−α⋅dtdL(t),这里α\scriptsize \alphaα取0.01
第六步:继续执行第二步
从泰勒展开来理解梯度下降法
对于f(x)\scriptsize f(x)f(x)的一阶泰勒展开,表示为:
f(x)=f(x0)+f′(x0)(x−x0)f(x)=f\left(x_{0}\right)+f^{\prime}\left(x_{0}\right)\left(x-x_{0}\right) f(x)=f(x0)+f′(x0)(x−x0)
对应的L\scriptsize LL在t0\scriptsize t_0t0处的一阶泰勒展开近似表示为(t1\scriptsize t_1t1与t0\scriptsize t_0t0都是领域):
L(t1)=L(t0)+L′(t0)(t1−t0)L\left(t_{1}\right)=L\left(t_{0}\right)+L^{\prime}\left(t_{0}\right)\left(t_{1}-t_{0}\right) L(t1)=L(t0)+L′(t0)(t1−t0)
为了使得L(t1)<L(t0)\scriptsize L(t_1)<L(t_0)L(t1)<L(t0)
L(t0)+L′(t0)(t1−t0)<L(t0)L′(t0)(t1−t0)<0L\left(t_{0}\right)+L^{\prime}\left(t_{0}\right)\left(t_{1}-t_{0}\right)<L\left(t_{0}\right) \\ L^{\prime}\left(t_{0}\right)\left(t_{1}-t_{0}\right)<0 L(t0)+L′(t0)(t1−t0)<L(t0)L′(t0)(t1−t0)<0
由于t0\scriptsize t_0t0与t1\scriptsize t_1t1是领域,则∣t1−t0∣=Δt\scriptsize \left|t_{1}-t_{0}\right|=\Delta t∣t1−t0∣=Δt,又L′(t0)(t1−t0)<0\scriptsize L^{\prime}\left(t_{0}\right)\left(t_{1}-t_{0}\right)<0L′(t0)(t1−t0)<0,则必有L′(t0)\scriptsize L^{\prime}\left(t_{0}\right)L′(t0)与t1−t0\scriptsize t_1-t_0t1−t0符号相反
令
t1−t0=−L′(t0)∣L′(t0)∣Δtt_{1}-t_{0}=-\frac{L^{\prime}\left(t_{0}\right)}{\left|L^{\prime}\left(t_{0}\right)\right|} \Delta t t1−t0=−∣L′(t0)∣L′(t0)Δt
则有
t1=t0−L′(t0)∣L′(t0)∣Δtt1=t0−αL′(t0)(α→0+)t_{1}=t_{0}-\frac{L^{\prime}\left(t_{0}\right)}{\left|L^{\prime}\left(t_{0}\right)\right|} \Delta t \\ t_{1}=t_{0}-\alpha L^{\prime}\left(t_{0}\right) \quad\left(\alpha \rightarrow 0^{+}\right) t1=t0−∣L′(t0)∣L′(t0)Δtt1=t0−αL′(t0)(α→0+)
总结:
- 1.梯度下降法是通过观察局部,决定如何调整的算法。如果函数具有多个极值,则可能陷入局部极值,此时初始点的选择直接影响收敛结果
- 2.大的步长在一定程度上可能跨过局部极值,但也可能造成震荡导致不收敛
- 3.步长的选择,需要根据函数的特性来找到合适取值,若导数特别大时,则步长取小,导数小时,步长取大。否则很容易造成收敛问题
- 4.存在一类算法,可以在一定范围内搜索一个合适步长,使得每一次迭代更加稳定
3.牛顿法
问题思考方式:
第一步:转化问题,将x\scriptsize \sqrt{x}x转化为L(t)=(t2−x)\scriptsize L(t)=(t^2-x)L(t)=(t2−x),当L(t)=0\scriptsize L(t)=0L(t)=0时,t\scriptsize tt就是计算得出的结果
第二步:寻找合适的解,找t\scriptsize tt使得L(t)=(t2−x)=0\scriptsize L(t)=(t^2-x) = 0L(t)=(t2−x)=0
第三步:找到的t\scriptsize tt,就是得出的结果
具体实现:
- 考虑L(t)\scriptsize L(t)L(t)在t0\scriptsize t_0t0处的切线与x轴交点作为t1\scriptsize t_1t1,不断逼近零点
- 如下图所示,考虑以o2(t0,L(t0))\scriptsize o2(t_0,L(t_0))o2(t0,L(t0))为原点,则切线可表示为k=L′(t0),b=0\scriptsize k=L^{\prime}\left(t_{0}\right),b=0k=L′(t0),b=0,而与x轴交点可表示为:
k=d(o2,t0)d(t1,t0)=L(t0)t0−t1=L′(t0)k=\frac{d\left(o 2, t_{0}\right)}{d\left(t_{1}, t_{0}\right)}=\frac{L\left(t_{0}\right)}{t_{0}-t_{1}}=L^{\prime}\left(t_{0}\right) k=d(t1,t0)d(o2,t0)=t0−t1L(t0)=L′(t0)
t0−t1=L(t0)L′(t0)t1=t0−L(t0)L′(t0)t_{0}-t_{1}=\frac{L\left(t_{0}\right)}{L^{\prime}\left(t_{0}\right)} \\ t_{1}=t_{0}-\frac{L\left(t_{0}\right)}{L^{\prime}\left(t_{0}\right)} t0−t1=L′(t0)L(t0)t1=t0−L′(t0)L(t0)
代码如下
float x = 2;
float t = x/2;
float L = t * t - x;while(abs(L) > 1e-5){float dL = 2 * t;t = t - L / dL;L = t * t - x;
}
cout << "simple_nt1: " << t << endl;
第一步:随机给定一个初始值t=x2t=\frac{x}{2}t=2x
第二步:计算L(t)\scriptsize L(t)L(t)和L′(t)\scriptsize L^{\prime}(t)L′(t)
第三步:更新t+=t−L(t)L′(t)\scriptsize t^{+}=t-\frac{L(t)}{L^{\prime}(t)}t+=t−L′(t)L(t)
第四步:不停根据规则2做调整,直到L(t)\scriptsize L(t)L(t)足够接近0为止(或调整量足够小)
从泰勒展开来理解牛顿法
对于f(x)\scriptsize f(x)f(x)的一阶泰勒展开,表示为:
f(x)=f(x0)+f′(x0)(x−x0)f(x)=f\left(x_{0}\right)+f^{\prime}\left(x_{0}\right)\left(x-x_{0}\right) f(x)=f(x0)+f′(x0)(x−x0)
对应的L\scriptsize LL在t0\scriptsize t_0t0处的一阶泰勒展开近似表示为(t1\scriptsize t_1t1与t0\scriptsize t_0t0都是领域):
L(t1)=L(t0)+L′(t0)(t1−t0)L\left(t_{1}\right)=L\left(t_{0}\right)+L^{\prime}\left(t_{0}\right)\left(t_{1}-t_{0}\right) L(t1)=L(t0)+L′(t0)(t1−t0)
令L(t1)=0\scriptsize L(t_1)=0L(t1)=0
L(t0)+L′(t0)(t1−t0)=0t1−t0=−L(t0)L′(t0)t1=t0−L(t0)L′(t0)L\left(t_{0}\right)+L^{\prime}\left(t_{0}\right)\left(t_{1}-t_{0}\right)=0 \\ t_{1}-t_{0}=-\frac{L\left(t_{0}\right)}{L^{\prime}\left(t_{0}\right)} \\ t_{1}=t_{0}-\frac{L\left(t_{0}\right)}{L^{\prime}\left(t_{0}\right)} L(t0)+L′(t0)(t1−t0)=0t1−t0=−L′(t0)L(t0)t1=t0−L′(t0)L(t0)
若函数二阶可导,则可考虑导函数零点时方程的根
根据t+=t−L(t)L′(t)\small t^{+}=t-\frac{L(t)}{L^{\prime}(t)}t+=t−L′(t)L(t),可令L=f′(t)\small L=f^{\prime}(t)L=f′(t),得出t+=t−f′(t)f′′(t)\small t^{+}=t-\frac{f^{\prime}(t)}{f^{\prime\prime}(t)}t+=t−f′′(t)f′(t)。则函数为L(t)=(t2−x)2\small L(t)=(t^2-x)^2L(t)=(t2−x)2时
代码如下
float x = 2;
float t = x / 2;
float L = (t * t - x) * (t * t - x);while(L > 1e-5){float d1L = 2 * (t * t - x) * 2 * t;float d2L = 4 * t * 2 * t + 4 * (t * t - x);t = t - d1L / d2L;L = (t * t - x) * (t * t - x);
}
cout << "simple_nt2: " << t << endl;
第一步:随机给定一个初始值t=x2\small t=\frac{x}{2}t=2x
第二步:计算L(t)\small L(t)L(t)和L′(t)\small L^{\prime}(t)L′(t)
第三步:更新t+=t−L(t)L′(t)\small t^{+}=t-\frac{L(t)}{L^{\prime}(t)}t+=t−L′(t)L(t)
第四步:不停根据规则2做调整,直到L(t)\scriptsize L(t)L(t)足够接近0为止(或调整量足够小)
结语
学习开源项目algorithm-cpp,仅供自己参考。
参考
- https://github.com/shouxieai/algorithm-cpp
- 什么是凹函数和凸函数?
- 函数凹凸性和极值
algoc++之求解根号2相关推荐
- 经典面试题:如何快速求解根号2?
关注下方公众号,分享硬核知识 作者 | 小K 出品 | 公众号:小K算法 (ID:xiaok365) 01 故事起源 有一次小K去面试,面试官问我怎么求解根号2,这还用求,不就是1.414... 原来 ...
- 试题 算法提高 编程求解根号3(C++)
资源限制 时间限制:1.0s 内存限制:256.0MB 问题描述 进行数学运算是计算机的主要能力,利用计算机的重复计算能力可以帮助人们求解一些十分复杂的数学运算,比如高次方程.求根,求平方等.根号运算 ...
- 蓝桥杯 算法提高 编程求解根号3 进行数学运算是计算机的主要能力,利用计算机的重复计算能力可以帮助人们求解一些十分复杂的数学运算,比如高次方程、求根,求平方等。根号运算是数学的基本运算,对于无理数
问题描述 进行数学运算是计算机的主要能力,利用计算机的重复计算能力可以帮助人们求解一些十分复杂的数学运算,比如高次方程.求根,求平方等.根号运算是数学的基本运算,对于无理数的求解,我们可以使用两边取值 ...
- 使用java求解根号2
二分法 首先根号2一定在0到2之间, 找出0和2的中点1,1的平方还是1,小于2,所以根号2一定在1到2之间: 找出1和2的中点1.5,1.5的平方是2.25,大于2,所以根号2一定在1到1.5之间: ...
- 蓝桥杯试题 算法提高 编程求解根号3简单算法
public class Main {public static void main(String[] args) {double a=Math.sqrt(3);System.out.printf(& ...
- 面试题:如何求根号2
来源:算法面试题 问题 小E最近找实习的时候,被面试官问了这样一道题:如何求根号2的值? 小E没能答上来,回来后向老师请教. 思路 点评:以上介绍了二分法和牛顿迭代法来求解根号2,另外我们还可以通过泰 ...
- 理解计算:从根号2到AlphaGo 第3季 神经网络的数学模型
文章<理解计算:从根号2到AlphaGo 第3季 神经网络的数学模型>系SIGAI原创,仅供个人学习使用,未经允许,不得转载,不能用于商业目的.如需获取原版PDF全文,可搜索关注VX公众号 ...
- 理解计算 从根号2到AlphaGo 第3季神经网络的数学模型
1910年,英国哲学家伯特兰·罗素(Bertrand Russell )和其老师怀特海(Alfred North Whitehead)合著的<数学原理>一书问世,这本书是如此的深奥,尤其对 ...
- 平分法及牛顿法求解平方根
1. 问题描述 解非线性方程算法无论是在理论还是实际应用的角度来看,都是极为重要的.在科学和工程中,如何较好的得到一个非线性方程的数值解,是数值分析算法研究中极其重要的领域之一.我们主要讨论几个解一元 ...
最新文章
- Tungsten Replicator 多环境复制工具安装方法
- 14. Leetcode 80. 删除有序数组中的重复项 II (数组-同向双指针-快慢指针)
- Hadoop 2.0 中的资源管理框架 - YARN(Yet Another Resource Negotiator)
- 获取指定日期所属年份的第一天日期或最后一天日期
- linux系统编码启动,Linux启动流程介绍
- linux安装gcc-c++
- VC++的链接错误LNK2001zz
- 【Leetcode_easy】724. Find Pivot Index
- 获得select下拉框的值
- 计算机信息技术知识点思维导图,思维导图信息技术的学习方法
- 基于opencv的人脸识别
- 【知识兔】Excel教程小案例之字帖制作
- 基于ConfuserEx的混淆加壳
- Windows下安装Nutch
- 微处理器系统结构与嵌入式系统设计(二)
- matlab中的箭头符号怎么打开,MATLAB中上下标、斜体、箭头等符号的使用方法
- Vim 复制 全部复制
- latex 公式换行、对齐
- 学校人事管理系统python实现
- 运用NaviCat进行MongoDB查询管道操作索引等操作