-
【最优化理论】03-无约束优化
无约束优化
无约束优化问题
m i n x ∈ R n f ( x ) \underset{x\in R^n}{min} f(x) x∈Rnminf(x)
无约束优化问题的应用
约束优化问题转换为无约束优化问题求解
无约束优化问题的最优性条件
无约束-凸函数-最优性条件（充要）
无约束-一般函数-最优性条件
必要条件
一阶必要条件：梯度为0
二阶必要条件：hessian矩阵半正定
充分条件
二阶充分条件：梯度为0 + hessian矩阵正定 = 严格最优
无约束优化问题解法：迭代下降算法
迭代下降算法基本思想
迭代下降算法步骤
选取搜索方向是最关键的一步，各种算法的区别主要在于确定搜索方向的方法不同。
迭代下降算法中-如何从当前点迭代到下一个点？
1 何时终止？（终止条件/收敛准则）
判断梯度是否接近0， ε \varepsilon ε 是一个非常小接近于0的数。
2 如何确定下降方向？
待补充
梯度反方向
Zoutendijk定理（为保证全局收敛下降方向应该遵循的准则）
∣ ∣ Δ f ( x k ) ∣ ∣ → 0 ||\Delta f(x^k)||\rightarrow 0 ∣∣Δf(xk)∣∣→0 表示全局收敛
有界即 ∣ ∣ Δ f ( x k ) ∣ ∣ → 0 ||\Delta f(x^k)||\rightarrow 0 ∣∣Δf(xk)∣∣→0 表示全局收敛
3 如何确定步长？
线搜索中确定步长 - 一维线搜索（一维问题）
一维线搜索闭性
一维线搜索方法
精确线搜索
精确线搜索方法基本框架
精确线搜索特点
精确线搜索方法
梯度为0（简单函数 - 一元二次函数）
试探法 - 基于搜索区间的直接搜索法（一般函数）
常用直接搜索法
均匀搜索法
黄金区间法（0.618法）
优点：每次只计算一个点的函数值。
基于导数信息的二分法
非精确线搜索 Inexact Linear Search
Armijo 条件 & Goldstein 法则
如果步进太小，函数值变化也小，为了避免Armijo条件步进小的问题，提出G法则。
4 {x^k}收敛性与收敛速度（如何判断算法优劣？）
收敛性
收敛速度
Q-收敛速率
R-收敛速率
收敛速度比较基准：算法在严格凸（正定）二次函数上的收敛速度（二次终止性）
二次终止性
若某个算法对于任意的正定二次函数 f ( x ) = 1 2 x T P x + Q T x + δ f(x)=\frac {1}{2} x^TPx+Q^Tx+\delta f(x)=21xTPx+QTx+δ，其中P是n阶正定对称矩阵，从任意的起始点出发，都能经有限步迭代到其极小点，则称该算法具有二次终止性。
常用迭代下降算法
一维线搜索（Linear Search）
先确定下降方向，再确定步长。
因为线搜索先确定了方向，所以确定步长是一维问题。
step1 确定下降方向
step2 确定步长（一维问题）
信赖域方法（Trust Region）
先确定步长（确定一个以步长为半径的范围），再确定下降方向。
因为信赖域方确定步长前没有确定方向，所以确定步长是n维问题。
信赖域实际求解的时候，一般为了方便求解，约束不变，找到一个 f ( x k + d ) f(x^k+d) f(xk+d) 的近似函数进行最小化。
step1 确定步长（n维问题）
step2 确定下降方向
朴素算法：坐标轴交替下降法
基本思想
选择迭代方向需要很大的计算量，为了避免选择迭代方向，直接选择坐标轴正反方向进行搜索，因为是沿坐标轴搜索，所以该过程中都是一元问题。
基本框架
优缺点
改进方法
n次坐标轴交替后插入一次线搜索
最速下降法（梯度下降法）
最速下降法框架
基本思想
负梯度方向也叫最速下降方向。
如何判断d^k是负梯度方向？
d k ⋅ ∇ f ( x k ) ≤ 0 d^k \cdot \nabla f(x^k) \le 0 dk⋅∇f(xk)≤0优缺点
最速下降法，对于严格凸二次函数，不能在有限步找到最优解，即不具备二次终止性。
缺点原因
经过上述推导得出：若使用精确线搜索，且迭代方向选择负梯度方向，则k处梯度与k+1处梯度内积为0，即相邻两个迭代点处梯度方向垂直。
牛顿法（Steepest Descent Method）
牛顿法算法框架
基本思想
使用二阶taylor展开式逼近当前函数，求出二阶taylor展开式的导数，并使导数为0，可以得到以下式子。
假设hessian矩阵正定。
跟 x k + 1 = x k + α k d k x^{k+1}=x^k+\alpha_k d^k xk+1=xk+αkdk 对比，又有 d k = − [ ∇ 2 f ( x k ) − 1 ∇ f ( x k ) ] d^k=-[\nabla^2f(x^k)^{-1}\nabla f(x^k)] dk=−[∇2f(xk)−1∇f(xk)]，所以步长 α k \alpha_k αk 为1。
问题：牛顿方向一定是下降方向吗？（hessian矩阵不正定时，特征值含0或负数）
判断是否下降方向的方法： ∇ f ( x k ) T d k ≤ 0 \nabla f(x^k)^Td^k \le 0 ∇f(xk)Tdk≤0
优缺点
牛顿法缺点
缺点：不但要计算梯度，还要计算hessian矩阵。
牛顿法优点
严格二次凸函数使用牛顿法一次迭代可达到最优解
对于严格凸二次规划，牛顿法只需一步迭代即可得到最优解。
严格二次凸函数近似逼近函数就是其本身，一次求导使得导数为0，即可求出最优解。
牛顿法改进策略
阻尼牛顿法
修正牛顿法
修正迭代步长：线搜索
修正迭代方向：针对hessian矩阵含0特征值或负特征值的情况
方法一：特征值加一个正数
正数不能选太大，如果选太大，hessian矩阵的作用就会被淹没，二阶信息体现不出来。
方法二：0特征值或负特征值替换为正特征值
牛顿-最速下降法
牛顿法 Vs 最速下降法
共轭梯度法
背景知识
提出问题
若Q为对角阵，则等值线为椭圆，且长短轴平行于xy坐标轴，根据坐标交替法，两步即可找到最优解。
若Q为非对角阵，则等值线不是椭圆，长短轴不平行于xy坐标轴，不能使用坐标交替法，需要先对Q进行相似对角化（即 Q = P T D P Q=P^TDP Q=PTDP，也可以理解为找到x的可逆线性变换 x ^ = P x \hat x = Px x^=Px），之后按照D为对角矩阵，则等值线为椭圆，且长短轴平行于xy坐标轴，根据坐标交替法，两步即可找到 x ^ \hat x x^ 最优解，再通过 x = P − 1 x ^ = P T x ^ x=P^{-1}\hat x=P^T\hat x x=P−1x^=PTx^，求出x。但是计算P需要解线性方程组，又回到了原始求解线性方程组困难的问题，所以需要找到一组向量组成矩阵S ( d 0 , d 1 , d 2 , . . . , d n − 1 ) = S (d^0,d^1,d^2,...,d^{n-1})=S (d0,d1,d2,...,dn−1)=S，使得S跟P一样，可以对Q进行对角化。向量 d 0 , d 1 , d 2 , . . . , d n − 1 d^0,d^1,d^2,...,d^{n-1} d0,d1,d2,...,dn−1间需要满足的关系就是关于矩阵Q共轭。
共轭方向
d 0 , d 1 , d 2 , . . . , d n − 1 d^0,d^1,d^2,...,d^{n-1} d0,d1,d2,...,dn−1 就是n个共轭方向。
共轭方向性质
共轭方向法
共轭方向法性质
特征1 ： 当前点处梯度与之前每个迭代方向内积都为0
当前点处梯度与产生该点的迭代方向内积为0
原因：使用的是精确搜索步长。
当前点处梯度与之前的迭代方向内积都为0
特征2：对于一元二次严格凸函数使用共轭方向法n步可找到最优解 x^n
共轭梯度法（边迭代边产生迭代方向）
共轭方向法是一类方法的总称，共轭梯度法是其中一种。
边迭代边产生迭代方向，并且新产生的迭代方向要与之前的每个迭代方向共轭。
线性共轭梯度法
研究动机
解决维度较大的线性方程组求解问题。
β如何求出来的？
为什么公式中只有βk而没有β0~βk-1？
公式化简
为什么要进行公式化简？
因为要将共轭梯度法求解线性方程组（如一元二次函数梯度=0的超多维线性方程组）扩展到非线性方程组求解。最后的公式中，βk只包含函数梯度。
线性共轭梯度法的收敛性
线性共轭梯度法性质
严格二次凸函数共轭梯度法
一般函数的共轭梯度法
非线性共轭梯度法（解决一般函数）
FR共轭梯度法基本步骤
迭代延续的方法
一般情形下的FR共轭梯度法
一些说明
n步重启策略：把n步作为一轮，每搜索一轮之后，取一次最速下降方向，开始下一轮。
实际使用中n步重启策略的原因
1 迭代n次后，d0对于dn 没有太大作用，将这部分信息清洗掉。
2 在一轮中某次迭代，可能落到类似于一元二次函数的区域，重启可以使用线性共轭梯度法的优点。无约束优化算法总结
-
相关阅读:
c++算法竞赛常用板子集合（持续更新）
瓴羊，从阿里最佳实践到社会化服务
主机加固如何应对数据世界的绑匪
MySQL中datetime和timestamp的区别
一起Talk Android吧（第三百七十五回：如何使用ViewPager2）
“秘密入职”字节跳动，百度高级经理一审被判赔107万
k8s强制删除pod、svc、namespace（Terminating）
Node.js【模块的加载机制、初识 Express、Express 路由】
虹科分享 | 谷歌Vertex AI平台使用Redis搭建大语言模型
脚本语言和编译语言的区别 什么是解释器？ 什么是编译器 ？解释器和编译器有什么区别？
- 原文地址：https://blog.csdn.net/guai7guai11/article/details/127846954