西电最优化上机报告（大作业）

上机报告

一.最速下降法

算法简述：

1.在本例中，先将最速下降方向变量赋一个值，使其二范数满足大于ε的迭代条件，进入循环。

2.将函数的一阶导数化简，存在一个矩阵，将其hesse矩阵存在另一个矩阵。依照公式求出α，进而求出下一任迭代的矩阵初值。循环内设置一个计数功能的变量，统计迭代次数。

3.求其方向导数的二范数，进行判别，若小于ε，则跳出循环，否则将继续迭代。

4.显示最优解，终止条件，最小函数值。

心得体会：

最速下降法的精髓，无疑是求梯度，然后利用梯度和hesse矩阵综合计算，求解下一个当前最优解。但是，要求函数是严格的凸函数，结合严格凸函数的大致图像，这就给初值的选取提供了一点参考。例如在本例中，由于含有两个变量的二次方之和，结合大致图像，想当然的，初值的选取应当在原点附近；又因为变量的二次方之和后面，还减去了变量的一次形式和一次混合积，所以初值的选取应该再向第一象限倾斜。

综合以上考量，第一次选取（1,1）作为初值，判别精度方面，取到千分位，暂定为0.001。运行以后，结果显示迭代了25次，最优解为（3.9995，1.9996），终止条件为5.4592e-04，目标函数为-8.0000。这个结果已经相当接近笔算结果。整体的运行也比较流畅，运算速度也比较快。

第二次取值，决定保留判别精度不变，将初值再适当向第一象限倾斜，取（2,2）作为初值，运行后，显示只迭代了11次！最优结果显示（3.9996，1.9997），终止条件为3.6204e-04，最优解 -8.0000。可见，最优结果更接近理想值，终止条件也变小了，最关键的是，迭代次数减少至第一次的一半以下！这说明以上初选取的方向是对的！

第三次再进行初值细化，判别精度仍然不变，初值取（3,3）。结果令人兴奋，只迭代了四次！最优解已经显示为（4.0000,2.0000），终止条件为2.4952e-04，目标函数-8.0000。

第四次，判别精度不变，取初值（4,4）。这回显示迭代了6次，最优解和目标函数没什么变化，终止条件变大了，变为5.0889e-04。可见，取（3,3）作为初值，比取（4,4）作初值要更优秀。

接下来对判别精度进行调整，适当缩小，以减少迭代次数从而减少运算量。取初值为（3,3），判别精度为0.01,。结果显示，只迭代了三次，但是最优解的判别精度有所下降，为（ 3.9986，1.9991）终止条件有所增大，为0.0012，最优解-8.0000。这意味着计算量确实有所下降。

PS：刚上手matlab时，对于syms和logical的转换不是很懂，编程过程不断遭遇此难题。幸运的是，我通过增加中间变量，成功解决或者说，规避了此问题。还好，matlab不需要不每一个变量进行定义，否则就给跪了。

算法流程图： 开始,选X0,ε,K=0

P(k)=-f(X(k)) Y ||Pk||≤ε N a(K)=||P(k)||^2/(-P(k))'*A *P(k) 输出 X(k+1)=X(K)+a(k)P(K);

将参数设为上述ε，此时设初始点为（1,1）通过迭代，可得最优解为：x1=4，

综上所述：

选取初值为（3,3），判别精度为0.01时，相对迭代次数最少，结果相对最优。

二.共轭梯度法

算法简述：

1.在此方法中，先将最速下降方向变量赋一个值，使其二范数满足大于ε的迭代条件，进入循环。

2.求出函数的方向导数表达式，将其存在一个矩阵，设置变量t，表示出x1[x01,x02]’。将x1[x01,x02]’代入原函数，求出代入后，该函数取最小值时的最优解t，将t代入x1[x01,x02]’的式子，求出x1[x01,x02]’，求函数的下一任方向导数。循环内设置一个计数功能的变量，统计迭代次数。

3.求其方向导数的二范数，进行判别，若小于ε，则跳出循环，否则将继续迭代。直至求出最优解。

4.显示最优解，终止条件，最小函数值。

算法流程图:

开始

选取X0,ε,K=0，计算

P(k)=-f(X(k))

||P(k)||≤ε Y N 算法停止，输出 进行一维搜索，使f（X+tkPk）=min（f（X+tkPk）），令X(k+1)=X+tkPk ||P(k)||＜ε Y N λ=，k=k+1

心得体会：

共轭梯度法和最速下降法颇有相似，但是不用求hesse矩阵，而且收敛速度会快很多。但是，由于共轭梯度法所涉及的计算量比较大，计算较之最速下降法更复杂，所以，实际运行时，速度会有所减慢。

例如在本例中，所给函数是严格凸函数，由于含有两个变量的二次方之和，结合大致图像，想当然的，初值的选取应当在原点附近；又因为变量的二次方之和后面，还减去了变量的一次形式和一次混合积，所以初值的选取应该再向第一象限倾斜。

本文来源：https://www.bwwdw.com/article/tvat.html