凸优化第九章无约束优化 9.4最速下降方法

「已注销」

于 2019-03-04 16:55:03 发布

阅读量1k

点赞数

CC 4.0 BY-SA版权

分类专栏：凸优化

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/wangchy29/article/details/88121255

本文详细介绍了最速下降方法，包括Euclid范数下的负梯度方向，二次范数下的最速下降方向，并探讨了基于坐标变换的解释。通过坐标变换，最速下降法可以转化为梯度下降法，从而影响收敛速度。选择合适的范数对于优化过程的效率至关重要。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

9.4最速下降方法

对f(x+v)在x处进行一阶Taylor展开：

$f(x+v)\approx \hat{f}(x+v)=f(x)+\bigtriangledown f(x)^Tv$

其中 $\bigtriangledown f(x)^Tv$ 是f在x处沿方向v的方向导数

令 $\begin{Vmatrix}\cdot \end{Vmatrix}$ 是 $R^n$ 上的任意番薯，顶一个规范化的最速下降方向：

$\bigtriangleup x_{nsd}=argmin\left \{ \bigtriangledown f(x)^Tv|\begin{Vmatrix} v\end{Vmatrix} =1\right \}$

一个规范化的最速下降方向 $\bigtriangleup x_{nsd}$ 是一个能使f的线性近似下降最多的具有单位范数的步径。

也可以将规范化的最速下降方向乘以一个特殊的比例因子，从而考虑下述非规范化的最速下降方向

最低0.47元/天解锁文章

200万优质内容无限畅学

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。