牛顿法
2015-06-17 10:40
141 查看
转自:http://blog.csdn.net/luoleicn/article/details/6527049
平时经常看到牛顿法怎样怎样,一直不得要领,今天下午查了一下维基百科,写写我的认识,很多地方是直观理解,并没有严谨的证明。在我看来,牛顿法至少有两个应用方向,1、求方程的根,2、最优化。牛顿法涉及到方程求导,下面的讨论均是在连续可微的前提下讨论。
1、求解方程。
并不是所有的方程都有求根公式,或者求根公式很复杂,导致求解困难。利用牛顿法,可以迭代求解。
原理是利用泰勒公式,在x0处展开,且展开到一阶,即f(x) = f(x0)+(x-x0)f'(x0)
求解方程f(x)=0,即f(x0)+(x-x0)*f'(x0)=0,求解x = x1=x0-f(x0)/f'(x0),因为这是利用泰勒公式的一阶展开,f(x) = f(x0)+(x-x0)f'(x0)处并不是完全相等,而是近似相等,这里求得的x1并不能让f(x)=0,只能说f(x1)的值比f(x0)更接近f(x)=0,于是乎,迭代求解的想法就很自然了,可以进而推出x(n+1)=x(n)-f(x(n))/f'(x(n)),通过迭代,这个式子必然在f(x*)=0的时候收敛。整个过程如下图:
![](http://hi.csdn.net/attachment/201106/5/0_1307263727Ezt0.gif)
2、牛顿法用于最优化
在最优化的问题中,线性最优化至少可以使用单纯行法求解,但对于非线性优化问题,牛顿法提供了一种求解的办法。假设任务是优化一个目标函数f,求函数f的极大极小问题,可以转化为求解函数f的导数f'=0的问题,这样求可以把优化问题看成方程求解问题(f'=0)。剩下的问题就和第一部分提到的牛顿法求解很相似了。
这次为了求解f'=0的根,把f(x)的泰勒展开,展开到2阶形式:
![](http://hi.csdn.net/attachment/201106/5/0_1307264093I733.gif)
这个式子是成立的,当且仅当 Δx 无线趋近于0。此时上式等价与:
![](http://hi.csdn.net/attachment/201106/5/0_130726445821TF.gif)
求解:
![](http://hi.csdn.net/attachment/201106/5/0_1307264526620L.gif)
得出迭代公式:
![](http://hi.csdn.net/attachment/201106/5/0_1307264554Ly1S.gif)
一般认为牛顿法可以利用到曲线本身的信息,比梯度下降法更容易收敛(迭代更少次数),如下图是一个最小化一个目标方程的例子,红色曲线是利用牛顿法迭代求解,绿色曲线是利用梯度下降法求解。
![](http://hi.csdn.net/attachment/201106/5/0_1307264725FBQm.gif)
在上面讨论的是2维情况,高维情况的牛顿迭代公式是:
![](http://hi.csdn.net/attachment/201106/5/0_1307264790QzWk.gif)
其中H是hessian矩阵,定义为:
![](http://hi.csdn.net/attachment/201106/5/0_1307264821uw1Y.gif)
高维情况依然可以用牛顿迭代求解,但是问题是Hessian矩阵引入的复杂性,使得牛顿迭代求解的难度大大增加,但是已经有了解决这个问题的办法就是Quasi-Newton methond,不再直接计算hessian矩阵,而是每一步的时候使用梯度向量更新hessian矩阵的近似。Quasi-Newton method的详细情况我还没完全理解,且听下回分解吧。。。
平时经常看到牛顿法怎样怎样,一直不得要领,今天下午查了一下维基百科,写写我的认识,很多地方是直观理解,并没有严谨的证明。在我看来,牛顿法至少有两个应用方向,1、求方程的根,2、最优化。牛顿法涉及到方程求导,下面的讨论均是在连续可微的前提下讨论。
1、求解方程。
并不是所有的方程都有求根公式,或者求根公式很复杂,导致求解困难。利用牛顿法,可以迭代求解。
原理是利用泰勒公式,在x0处展开,且展开到一阶,即f(x) = f(x0)+(x-x0)f'(x0)
求解方程f(x)=0,即f(x0)+(x-x0)*f'(x0)=0,求解x = x1=x0-f(x0)/f'(x0),因为这是利用泰勒公式的一阶展开,f(x) = f(x0)+(x-x0)f'(x0)处并不是完全相等,而是近似相等,这里求得的x1并不能让f(x)=0,只能说f(x1)的值比f(x0)更接近f(x)=0,于是乎,迭代求解的想法就很自然了,可以进而推出x(n+1)=x(n)-f(x(n))/f'(x(n)),通过迭代,这个式子必然在f(x*)=0的时候收敛。整个过程如下图:
![](http://hi.csdn.net/attachment/201106/5/0_1307263727Ezt0.gif)
2、牛顿法用于最优化
在最优化的问题中,线性最优化至少可以使用单纯行法求解,但对于非线性优化问题,牛顿法提供了一种求解的办法。假设任务是优化一个目标函数f,求函数f的极大极小问题,可以转化为求解函数f的导数f'=0的问题,这样求可以把优化问题看成方程求解问题(f'=0)。剩下的问题就和第一部分提到的牛顿法求解很相似了。
这次为了求解f'=0的根,把f(x)的泰勒展开,展开到2阶形式:
![](http://hi.csdn.net/attachment/201106/5/0_1307264093I733.gif)
这个式子是成立的,当且仅当 Δx 无线趋近于0。此时上式等价与:
![](http://hi.csdn.net/attachment/201106/5/0_130726445821TF.gif)
求解:
![](http://hi.csdn.net/attachment/201106/5/0_1307264526620L.gif)
得出迭代公式:
![](http://hi.csdn.net/attachment/201106/5/0_1307264554Ly1S.gif)
一般认为牛顿法可以利用到曲线本身的信息,比梯度下降法更容易收敛(迭代更少次数),如下图是一个最小化一个目标方程的例子,红色曲线是利用牛顿法迭代求解,绿色曲线是利用梯度下降法求解。
![](http://hi.csdn.net/attachment/201106/5/0_1307264725FBQm.gif)
在上面讨论的是2维情况,高维情况的牛顿迭代公式是:
![](http://hi.csdn.net/attachment/201106/5/0_1307264790QzWk.gif)
其中H是hessian矩阵,定义为:
![](http://hi.csdn.net/attachment/201106/5/0_1307264821uw1Y.gif)
高维情况依然可以用牛顿迭代求解,但是问题是Hessian矩阵引入的复杂性,使得牛顿迭代求解的难度大大增加,但是已经有了解决这个问题的办法就是Quasi-Newton methond,不再直接计算hessian矩阵,而是每一步的时候使用梯度向量更新hessian矩阵的近似。Quasi-Newton method的详细情况我还没完全理解,且听下回分解吧。。。
相关文章推荐
- jsoup:解析HTML用法小结
- 关于手机上资源丢失或者纹理错乱的问题
- [转]Adobe Creative Cloud 2015 下载 Adobe CC 2015 Download
- 牛顿法
- GRE作文备考——经济对环境的影响
- linux下关于后台任务和前台任务之间的且切换命令小结
- CRC16校验程序
- 机器学习实战之决策树(1)---ID3算法与信息熵,基尼不纯度
- Android Activity管理类,管理Activity和退出应用
- GoldenGate的ADD SCHEMATRANDATA命令研究
- 一个任务调度问题
- 226Invert Binary Tree
- 常用linux命令
- 机器学习中的相似性度量
- ffmpeg 命令2
- Spring学习笔记(8)----属性注入的方式
- 试题推荐系统
- Java(Android)线程池
- Android开发:Android设备传感器开发总结
- POJ1091 跳蚤 素因子分解+容斥原理