Метод координатного спуска.
Существует приближенная точка минимума. Минимизируя функцию по направлению к х1, на прямой используется любой метод одномерной минимизируют, х2 – фиксируют. Далее выполняют одномерную оптимизацию по х2, фиксируя х1. |
Этот процесс повторяют до тех пор пока следующая точка не окажется близка к точке приближения.
Градиентные методы.
Метод наискорейшего спуска.
Рассмотрим grad целевой функции.
Движение по направлению вектора под острым углом будет приводить к уменьшению целевой функции, а движение против направления функции к увеличению целевой функции. Разумно за направление движения принять сам вектор – grad f.
Для выбора расстояния нужно применить метод одномерной оптимизации. Прекратить поиск, когда величина grad f станет достаточно малой. Этот метод гарантирует, что найдена либо точка локального минимума, либо седловая точка.
Анализ метода.
Рассмотрим целевую функцию, которая является квадратичной функцией, точка локального минимума совпадает с точкой начала координат. Пусть мы выбрали начальное приближение. Отыскивая наименьшее значение по направлению траектории (наименьшее значение там где происходит касание grad f линии уровня). |
В случае когда масштаб выбирается следующим образом (линии уровня вытянуты).
Траектория
Если линии уровня - окружности, то приходим сразу в точку локального минимума.
Метод Ньютона.
- - один постоянный член любой точки данной функции является оптимальным – тривиальный случай;
- линейная функция (двучлен)
(возможно бесконечное уменьшение и увеличение)
Дата добавления: 2022-05-27; просмотров: 160;