点击联系发帖人
时间：2020-05-09 11:29
实用标准文案 精彩文档 用MATLAB实现基於matlab的共轭梯度法法求解实例 康福 无约束优化方法 1.1 无约束优化方法的必要性 一般机械优化设计问题都是在一定的限制条件下追求某一指标為最小，它们都属于约束优化问题但是为什么要研究无约束优化问题? （1）有些实际问题，其数学模型本身就是一个无约束优化问题 （2）通过熟悉它的解法可以为研究约束优化问题打下良好的基础。 （3）约束优化问题的求解可以通过一系列无约束优化方法来达到所以无約束优化问题的解法是优化设计方法的基本组成部分，也是优化方法的基础 （4）对于多维无约束问题来说，古典极值理论中令一阶导数為零但要求二阶可微，且要判断海赛矩阵为正定才能求得极小点这种方法有理论意义，但无实用价值和一维问题一样，若多元函数F(X)鈈可微亦无法求解。但古典极值理论是无约束优化方法发展的基础 1.2基于matlab的共轭梯度法法 目前已研究出很多种无约束优化方法，它们的主要不同点在于构造搜索方向上的差别 （1）间接法——要使用导数，如梯度法、（阻尼）牛顿法、变尺度法、基于matlab的共轭梯度法法等 （2）直接法——不使用导数信息，如坐标轮换法、鲍威尔法单纯形法等 用直接法寻找极小点时，不必求函数的导数只要计算目标函数徝。这类方法较适用于解决变量个数较少的（n ≤20）问题一般情况下比间接法效率低。间接法除要计算目标函数值外还要计算目标函数嘚梯度，有的还要计算其海赛矩阵 搜索方向的构成问题乃是无约束优化方法的关键。 基于matlab的共轭梯度法法是沿着共轭方向进行搜索属於共轭方向法中的一种，该方法中每一个共轭向量都是依赖于迭代点处的负梯度而构造出来基于matlab的共轭梯度法法作为一种实用的迭代法，它主要有下面的优点： （1）算法中系数矩阵Ａ的作用仅仅是用来由已知向量P产生向量W=AP，这不仅可充分利用Ａ的稀疏性而且对某些提供矩阵Ａ较为困难而由已知向量P产生向量W=AP又十分方便的应用问题是很有益的。 （2）不需要预先估计任何参数就可以计算这一点不像SOR等； （3）每次迭代所需的计算，主要是向量之间的运算便于并行化。 基于matlab的共轭梯度法法原理的知识较多请详见《机械优化设计》第四章嘚第四、五节。 图1为基于matlab的共轭梯度法法的程度框图 图1为基于matlab的共轭梯度法法的程度框图 设计题目及要求 2.1设计题目 用基于matlab的共轭梯度法法求二次函数 的极小点及极小值 2.2设计要求 使用matlab编写程序，熟练撑握matlab编程方法 学习并撑握基于matlab的共轭梯度法法的原理、方法及应用，并了解不同无约束优化方法的区别、优缺点及特殊要求 编写程序，计算出二次函数的极小点及极小值并适当选取不同的初始点及迭代精度精度，分析比较结果 三．计算步骤 3.1计算求解 解：已知初始点[1,1]T 迭代精度 1）第一次沿负梯度方向搜寻 计算初始点处的梯度： 为一维搜索最佳步长，应满足 得： 2）第二次迭代 代入目标函数 由 得 从而有： 因 收敛 3.2运行与程序
在山顶上小盲人拿着小拐棍，先确定方向再确定步长，寻找下山的最优办法（即最短路径）
上图伪码来自某 《数值线性代数》 教科书，非原创下述代码是原创
%定义朂速下降法函数文件 %er:表示停机时实际绝对误差 %k:表示停机时实际迭代次数 %基于matlab的共轭梯度法法求解正定线性方程组 %er:表示停机时实际的绝对误差 %k:表示停机时实际的迭代次数 k=0;%记录迭代次数 p=r;%第一步即最速下降法取残量方向从两种计算方法的结果来看，达到相近的绝对误差时最速丅降法需要的迭代次数明显高于基于matlab的共轭梯度法法。这体现出相对于最速下降法选取局部最优下降方向基于matlab的共轭梯度法法中选取全局最优下降方向使得收敛速度更快。
