拟牛顿法

拟牛顿法拟牛顿法的基本思想是用不包含二阶导数的矩阵近似牛顿法中的Hessian矩阵的逆矩阵,从而避免计算二阶导。拟牛顿法具有二次终止性,且对于一般情形具有n步二级收敛速率。缺点是所需存储量较大。是求解无约束最优化问题最有效的一类方法。一、拟牛顿条件牛顿法的迭代公式为:$$\boldsymbo

大家好,欢迎来到IT知识分享网。拟牛顿法

拟牛顿法的基本思想是用不包含二阶导数的矩阵近似牛顿法中的 Hessian 矩阵的逆矩阵,从而避免计算二阶导。拟牛顿法具有二次终止性,且对于一般情形具有 n 步二级收敛速率。缺点是所需存储量较大。是求解无约束最优化问题最有效的一类方法。

一、拟牛顿条件

  牛顿法的迭代公式为:

\[\boldsymbol{x}^{(k+1)}=\boldsymbol{x}^{(k)}+\lambda_k\boldsymbol{d}^{(k)} \]

其中, \(\lambda_k\) 是沿着牛顿方向搜索的步长, \(\boldsymbol{d}^{(k)}\) 是在点 \(\boldsymbol{x}^{(k)}\) 处的牛顿方向:

\[\boldsymbol{d}^{(k)}=-\nabla^2f(\boldsymbol{x}^{(k)})^{-1}\nabla f(\boldsymbol{x}^{(k)}) \]

  为构造 \(\nabla^2f(\boldsymbol{x}^{(k)})^{-1}\) 的近似矩阵 \(\bold{H}_k\) ,先分析 \(\nabla^2f(\boldsymbol{x}^{(k)})^{-1}\) 与一阶导数的关系。假设在第 \(k\) 次迭代后得到点 \(\boldsymbol{x}^{(k+1)}\) ,在该点处将目标函数进行二阶 Taylor 近似:

\[\begin{aligned} f(\boldsymbol{x}) \approx & f\left({\boldsymbol{x}}^{(k+1)}\right)+\nabla f\left({\boldsymbol{x}}^{(k+1)}\right)^{\mathrm{T}}\left({\boldsymbol{x}}-{\boldsymbol{x}}^{(k+1)}\right) \\ &+\frac{1}{2}\left({\boldsymbol{x}}-{\boldsymbol{x}}^{(k+1)}\right)^{\mathrm{T}} \nabla^{2} f\left({\boldsymbol{x}}^{(k+1)}\right)\left({\boldsymbol{x}}-{\boldsymbol{x}}^{(k+1)}\right) \end{aligned} \]

因此在 \(\boldsymbol{x}^{(k+1)}\) 附近有(移项然后按求导定义变换):

\[\nabla f(\boldsymbol{x}) \approx \nabla f\left(\boldsymbol{x}^{(k+1)}\right)+\nabla^{2} f\left(\boldsymbol{x}^{(k+1)}\right)\left(\boldsymbol{x}-\boldsymbol{x}^{(k+1)}\right) \]

\(\boldsymbol{x}=\boldsymbol{x}^{(k)}\) ,则

\[\nabla f\left({\boldsymbol{x}}^{(k)}\right) \approx \nabla f\left({\boldsymbol{x}}^{(k+1)}\right)+\nabla^{2} f\left({\boldsymbol{x}}^{(k+1)}\right)\left({\boldsymbol{x}}^{(k)}-{\boldsymbol{x}}^{(k+1)}\right) \]

记:

\[\begin{aligned} &\boldsymbol{p}^{(k)}={\boldsymbol{x}}^{(k+1)}-{\boldsymbol{x}}^{(k)} \\ &\boldsymbol{q}^{(k)}=\nabla f\left({\boldsymbol{x}}^{(k+1)}\right)-\nabla f\left({\boldsymbol{x}}^{(k)}\right) \end{aligned} \]

则有:

\[\boldsymbol{q}^{(k)} \approx \nabla^{2} f\left(\boldsymbol{x}^{(k+1)}\right) \boldsymbol{p}^{(k)} \]

假设 Hessian 矩阵 $\nabla^{2} f\left(\boldsymbol{x}^{(k+1)}\right) $ 可逆,则有(Hessian矩阵的逆与一阶导的关系式):

\[\boldsymbol{p}^{(k)} \approx \nabla^{2} f\left({\boldsymbol{x}}^{(k+1)}\right)^{-1} \boldsymbol{q}^{(k)} \]

因此当计算出 \(\boldsymbol{p}^{(k)}\)\(\boldsymbol{q}^{(k)}\) 后,就可以根据上式估计出点 \(\boldsymbol{x}^{(k+1)}\) 处的 Hessian 矩阵的逆,因此可用不包含二阶导数的矩阵 \(\bold{H}_{k+1}\) 替代 \(\nabla^{2} f\left({\boldsymbol{x}}^{(k+1)}\right)^{-1}\) ,需要满足:

\[\boldsymbol{p}^{(k)}=\bold{H}_{k+1}\boldsymbol{q}^{(k)} \]

称之为拟牛顿条件

二、秩 1 校正

原理

  当 \(\nabla^{2} f\left({\boldsymbol{x}}^{(k)}\right)^{-1}\)\(n\)对称正定矩阵时,满足拟牛顿条件的矩阵 \(\bold{H}_{k}\) 也应该是 \(n\) 阶对称正定矩阵。这种近似矩阵的一般构造策略是:初始的 \(\bold{H}_{k}\)\(k=1\))取任意一个 \(n\) 阶对称正定矩阵(一般取单位矩阵 \(I\) ),然后通过修正 \(\bold{H}_{k}\) 给出 \(\bold{H}_{k+1}\) ,令

\[\bold{H}_{k+1}=\bold{H}_{k}+\Delta\bold{H}_{k} \]

其中,\(\Delta\bold{H}_{k}\) 称为校正矩阵

  确定 \(\Delta\bold{H}_{k}\) 的方法之一是令

\[\Delta\bold{H}_{k}=\alpha_{k} \boldsymbol{z}^{(k)}\left(\boldsymbol{z}^{(k)}\right)^{\mathrm{T}} \]

其中,\(\alpha_k\) 是一个常数,\(z^{(k)}\)\(n\) 维列向量。这样得到的 \(\Delta\bold{H}_{k}\) 是一个秩为1的对称矩阵,\(\boldsymbol{z}^{(k)}\) 的选择应使得拟牛顿条件得到满足,因此

\[\boldsymbol{p}^{(k)}=\bold{H}_{k} \boldsymbol{q}^{(k)}+\alpha_{k} \boldsymbol{z}^{(k)} \boldsymbol{z}^{(k) \mathrm{T}} \boldsymbol{q}^{(k)} \]

等式两端同乘 \(\boldsymbol{q}^{(k)\mathrm{T}}\) ,整理可得到

\[\boldsymbol{q}^{(k) \mathrm{T}}\left(\boldsymbol{p}^{(k)}-\bold{H}_{k} \boldsymbol{q}^{(k)}\right)=\alpha_{k}\left(\boldsymbol{z}^{(k) \mathrm{T}} \boldsymbol{q}^{(k)}\right)^{2} \]

另外

\[\boldsymbol{z}^{(k)}=\frac{\boldsymbol{p}^{(k)}-\bold{H}_{k} \boldsymbol{q}^{(k)}}{\alpha_{k} \boldsymbol{z}^{(k) \mathrm{T}} \boldsymbol{q}^{(k)}} \]

从而可得到 秩1校正公式

\[\bold{H}_{k+1}=\bold{H}_{k}+\frac{\left(\boldsymbol{p}^{(k)}-\bold{H}_{k} \boldsymbol{q}^{(k)}\right)\left(\boldsymbol{p}^{(k)}-\bold{H}_{k} \boldsymbol{q}^{(k)}\right)^{\mathrm{T}}}{\boldsymbol{q}^{(k) T}\left(\boldsymbol{p}^{(k)}-\bold{H}_{k} \boldsymbol{q}^{(k)}\right)} \]

用法

在利用该公式进行极小化目标函数 \(f(x)\) 时,第 \(k\) 次迭代中令搜索方向为

\[\boldsymbol{d}^{(k)}=-\bold{H}_{k} \nabla f\left(\boldsymbol{x}^{(k)}\right) \]

然后沿着该搜索方向搜索,计算步长 \(\lambda_k\) ,从而确定后继点 \(x^{(k+1)}\) 。进而计算后继点 \(x^{(k+1)}\) 处的梯度 \(\nabla f(\boldsymbol{x}^{(k+1)})\) 以及 \(\boldsymbol{p}^{(k)}\)\(\boldsymbol{q}^{(k)}\) ,再利用 秩1校正公式 计算 \(\bold{H}_{k+1}\) ,接着继续计算搜索方向 \(\boldsymbol{d}^{(k+1)}\)。以此类推直至满足算法的终止条件(最大迭代次数或精度要求)。

优缺点

  • 优点

    1. 不需要计算 Hessian 矩阵并求逆;
    2. 具有二次终止性,收敛性好。
  • 缺点

    1. 需要满足一定的条件;

      仅当 \(\boldsymbol{q}^{(k) \mathrm{T}}\left(\boldsymbol{p}^{(k)}-\bold{H}_{k} \boldsymbol{q}^{(k)}\right)>0\) ,所求 \(\bold{H}_{k+1}\) 才具有正定性。

    2. 并且上一点是无法保证的,即使满足条件,也可能由于舍入误差的影响,导致 \(\Delta\bold{H}_k\) 无界,数值计算困难。

三、DFP算法(变尺度法)

校正矩阵

\[\Delta \bold{H}_{k}=\frac{\boldsymbol{p}^{(k)} \boldsymbol{p}^{(k) T}}{\boldsymbol{p}^{(k) T} \boldsymbol{q}^{(k)}}-\frac{\bold{H}_{k} \boldsymbol{q}^{(k)} \boldsymbol{q}^{(k) \mathrm{T}} \bold{H}_{k}}{\boldsymbol{q}^{(k) T} \bold{H}_{k} \boldsymbol{q}^{(k)}} \]

DFP公式

这样定义的校正矩阵能够使得 \(\bold{H}_{k+1}\) 满足拟牛顿条件,记为 DFP 公式,表示为

\[\bold{H}_{k+1}=\bold{H}_{k}+\frac{\boldsymbol{p}^{(k)} \boldsymbol{p}^{(k) T}}{\boldsymbol{p}^{(k) T} \boldsymbol{q}^{(k)}}-\frac{\bold{H}_{k} \boldsymbol{q}^{(k)} \boldsymbol{q}^{(k) \mathrm{T}} \bold{H}_{k}}{\boldsymbol{q}^{(k) T} \bold{H}_{k} \boldsymbol{q}^{(k)}} \]

其计算步骤与秩1校正公式近似:

  1. 选取初始点 \(x^{(1)}\) ,给定终止精度要求 \(\varepsilon>0\)

  2. \(\bold{H}_{1}=\bold{I}_{n}\) (单位矩阵),计算在点 \(x^{(1)}\) 处的梯度

    \[\boldsymbol{g}_1=\nabla f(\boldsymbol{x}^{(1)}) \]

    \(k=1\)

  3. 搜索方向 \(\boldsymbol d^{(k)}=-\bold H_{k} \boldsymbol g_{k}\)

  4. \(\boldsymbol x^{(k)}\) 出发,沿着 \(\boldsymbol d^{(k)}\) 方向搜索,求出步长 \(\lambda_k\) ,使得 \(\lambda_k=\arg\min _\limits{\lambda \geq 0} f\left(\boldsymbol x^{(k)}+\lambda \boldsymbol d^{(k)}\right)\) 。然后迭代搜索点 \(\boldsymbol x^{(k+1)}=\boldsymbol x^{(k)}+\lambda_k\boldsymbol d^{(k)}\)

  5. 检验是否达到终止条件(\(\left\|\nabla f\left(\boldsymbol{x}^{(k+1)}\right)\right\| \leqslant \varepsilon\)),若达到则终止迭代;否则进入第6步。

  6. \(k=n\) ,则令 \(\boldsymbol x^{(1)}=\boldsymbol x^{(k+1)}\) ,返回步骤2;否则进入步骤7。

  7. \(\boldsymbol g_{(k+1)}=\nabla f(\boldsymbol{x}^{(k+1)}),\boldsymbol p^{(k)}=\boldsymbol x^{(k+1)}-\boldsymbol x^{(k)}, \boldsymbol q^{(k)}=\boldsymbol g_{k+1}-\boldsymbol g_{k}\) 。利用 DFP 公式计算 \(\bold{H}_{k+1}\) ,置 \(k=k+1\) ,返回步骤3。

优缺点

  • 用 DFP 方法构造出来的 \(\bold{H}_{k}\) 均为对称正定矩阵。
  • 具有二次终止性,且对于一般情形具有 n 步二级收敛速率。

四、BFGS公式及Broyden族

另一种形式的拟牛顿条件(DFP公式的对偶公式)。

参考《最优化理论与算法》P314页。

参考

  • 《最优化理论与算法》陈宝林著。

免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://yundeesoft.com/31229.html

(0)

相关推荐

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

关注微信