2.牛頓迭代二階梯度法求多元非線性函數(shù)的極小值秒啦,以及Hessian矩陣

牛頓迭代求最小值有點區(qū)別于求牛頓迭代求根
先復(fù)習(xí)一下

牛頓迭代求根

是如下表達(dá)式

f'(a)\approx \frac{f(x)-f(a)}{x-a}

因為是求根傀履,那么函數(shù)f(x)x軸相交的地方就是解所在的位置缆巧,所以一般要稍作變形以構(gòu)造f(x)=0

于是f'(a)\approx \frac{0-f(a)}{x-a}

x \approx a-\frac{f(a)}{f'(a)}

因為是依次迭代布持,所以這里的a是初值
后續(xù)迭代通式就是
x_{n+1} \approx x_n-\frac{f(x_n)}{f'(x_n)}

那么

牛頓迭代求極小值,又是咋回事呢

顧名思義陕悬,求最小值题暖,也就是說要找的不是和x軸的交點,求f(x)最小值我們一般想到的就是求其導(dǎo)數(shù)為0的點
牛頓迭代求最小首先使用的是對函數(shù)的泰勒二階展開對原函數(shù)進(jìn)行擬合
f(x)=f(x_0)+f'(x_0)(x-x_0)+\frac{1}{2}f''(x_0)(x-x_0)^2
比如下圖綠色的是原函數(shù),橙色代表的是對f(x)的二階泰勒擬合
求上式求導(dǎo)可得
f'(x)=f'(x_0)+f''(x_0)(x-x_0)胧卤,

image.png

令導(dǎo)數(shù)為零唯绍,
f'(x_0)+f''(x_0)(x-x_0)=0
可知函數(shù)在x=x_0處取得極小值
稍作變形
x=x_0-\frac{f'(x_0)}{f''(x_0)}
通式為
x_{n+1}=x_n-\frac{f'(x_n)}{f''(x_n)}
可見它和牛頓迭代求根非常相似,不同之處在于枝誊,這里每次迭代是原函數(shù)的一階導(dǎo)除以二階導(dǎo)

牛頓迭代求非線性多元函數(shù)的極小值

根據(jù)前面牛頓迭代求根高維表達(dá)的推導(dǎo)况芒,我們依照葫蘆畫瓢來進(jìn)行極小值的高維表達(dá)式推導(dǎo)
首先是一維情況

f(x)=f(x_0)+f'(x_0)(x-x_0)+\frac{1}{2}f''(x_0)(x-x_0)^2

簡單點,我們擴(kuò)展到二維叶撒,這里涉及的是二元函數(shù)的泰勒展開式绝骚,于是有
f(x,y)=f(x_0,y_0)

+\frac{\partial f(x_0,y_0)}{\partial x}(x-x_0)+\frac{\partial f(x_0,y_0)}{\partial y}(y-y_0)

+\frac{1}{2!}\frac{\partial ^2 f(x_0,y_0)}{\partial x^2}(x-x_0)^2+\frac{1}{2!}\frac{\partial^2 f(x_0,y_0)}{\partial y^2}(y-y_0)^2
+\frac{1}{2!}\frac{\partial ^2f(x_0,y_0)}{\partial x\partial y}(x-x_0)(y-y_0)+\frac{1}{2!}\frac{\partial ^2f(x_0,y_0)}{\partial y\partial x}(x-x_0)(y-y_0)
-----------------------------------(1)
這里相比牛頓迭代求根多了二階全微分項
我們寫成矩陣的形式,于是有
f(x,y)=f(x_0,y_0)+\begin{bmatrix}\frac{\partial f(x_0,y_0)}{\partial x}&\frac{\partial f(x_0,y_0)}{\partial y}\end{bmatrix}\begin{bmatrix}x-x_0\\y-y_0\end{bmatrix}

+\frac{1}{2!} \begin{bmatrix}x-x_0&y-y_0\end{bmatrix} \begin{bmatrix} \frac{\partial ^2 f(x_0,y_0)}{\partial x^2}&\frac{\partial ^2 f(x_0,y_0)}{\partial x\partial y} \\\frac{\partial ^2 f(x_0,y_0)}{\partial y\partial x}&\frac{\partial ^2 f(x_0,y_0)}{\partial y^2} \end{bmatrix} \begin{bmatrix}x-x_0\\y-y_0\end{bmatrix}
祠够,那么上式可以簡記為
f(x,y)=f(x_0,y_0)+\nabla f(x_0,y_0)\begin{bmatrix}x-x_0\\y-y_0\end{bmatrix}+\frac{1}{2!} \begin{bmatrix}x-x_0&y-y_0\end{bmatrix} H(x_0,y_0) \begin{bmatrix}x-x_0\\y-y_0\end{bmatrix}
進(jìn)一步可以記為
f(X)=f(X^{(0)})+\nabla f(X^{(0)})^T\Delta X+\frac{1}{2!} \Delta X^T H(X^{(0)}) \Delta X
其中
H(X^{(0)})=\begin{bmatrix} \frac{\partial ^2 f(x_0,y_0)}{\partial x^2}&\frac{\partial ^2 f(x_0,y_0)}{\partial x\partial y} \\\frac{\partial ^2 f(x_0,y_0)}{\partial y\partial x}&\frac{\partial ^2 f(x_0,y_0)}{\partial y^2} \end{bmatrix} 叫做Hessian矩陣

\nabla f(X^{(0)})這種寫法叫做f(X)函數(shù)各方向的全微分压汪,也叫梯度算子,其實本質(zhì)上也是一個雅可比矩陣,也可計為J(X^{(0)})

繼續(xù)往下走古瓤,對上面的函數(shù)求各個方向的偏微分

對等式(1)求各方向的一階偏導(dǎo)可得
(注意止剖,這里有個知識點,即對于二階混偏導(dǎo)連續(xù)時候湿滓,先x后y,與先y后x滴须,這兩種方式求偏導(dǎo)的值是一樣的)于是得到下面的等式

f_x'(x,y)=\frac{\partial f(x_0,y_0)}{\partial x}+\frac{\partial ^2f(x_0,y_0)}{\partial x^2}(x-x_0)+\frac{\partial^2 f(x_0,y_0)}{\partial x \partial y}(y-y_0)

f_y'(x,y)=\frac{\partial f(x_0,y_0)}{\partial y}+\frac{\partial ^2f(x_0,y_0)}{\partial x\partial y}(x-x_0)+\frac{\partial ^2f(x_0,y_0)}{\partial y^2}(y-y_0)

因為是求極小值舌狗,那么此時令f_x'(x,y)=0叽奥,f_y'(x,y)=0

\frac{\partial f(x_0,y_0)}{\partial x}+\frac{\partial ^2f(x_0,y_0)}{\partial x^2}(x-x_0)+\frac{\partial^2 f(x_0,y_0)}{\partial x \partial y}(y-y_0)=0

\frac{\partial f(x_0,y_0)}{\partial y}+\frac{\partial ^2f(x_0,y_0)}{\partial x\partial y}(x-x_0)+\frac{\partial ^2f(x_0,y_0)}{\partial y^2}(y-y_0)=0

寫成矩陣形式有
\begin{bmatrix}\frac{\partial f(x_0,y_0)}{\partial x}\\\frac{\partial f(x_0,y_0)}{\partial y}\end{bmatrix}+\begin{bmatrix} \frac{\partial ^2 f(x_0,y_0)}{\partial x^2}&\frac{\partial ^2 f(x_0,y_0)}{\partial x\partial y} \\\frac{\partial ^2 f(x_0,y_0)}{\partial y\partial x}&\frac{\partial ^2 f(x_0,y_0)}{\partial y^2} \end{bmatrix}\begin{bmatrix}x-x_0\\y-y_0 \end{bmatrix}=0

根據(jù)上面對海森矩陣的定義以及函數(shù)梯度算子的定義
這里可以直接簡寫
J(X^{(0)})+H(X^{(0)})\Delta X =0
H(X^{(0)})\Delta X =-J(X^{(0)})
\Delta X =-H(X^{(0)})^{-1}J(X^{(0)})

X=X^{(0)}-H(X^{(0)})^{-1}J(X^{(0)})

根據(jù)迭代式的定義

X^{n+1}=X^{(n)}-H(X^{(n)})^{-1}J(X^{(n)})

上面的推導(dǎo)過程熟練的話,其實可以直接寫成下面

\frac{\partial f(X)}{\partial \Delta X}=\frac{\partial (f(X^{(0)})+J(X^{(0)})^T\Delta X+\frac{1}{2!} \Delta X^T H(X^{(0)}) \Delta X)}{\partial \Delta X}

=J(X^{(0)})+H(X^{(0)})\Delta X

總結(jié)

牛頓迭代求根是令擬合的原函數(shù)函數(shù)值為零而做出的推導(dǎo)
牛頓迭代求極小值是零原函數(shù)的一階導(dǎo)為零而做出的推導(dǎo)

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末痛侍,一起剝皮案震驚了整個濱河市朝氓,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌主届,老刑警劉巖赵哲,帶你破解...
    沈念sama閱讀 217,277評論 6 503
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異君丁,居然都是意外死亡枫夺,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,689評論 3 393
  • 文/潘曉璐 我一進(jìn)店門绘闷,熙熙樓的掌柜王于貴愁眉苦臉地迎上來橡庞,“玉大人,你說我怎么就攤上這事印蔗“亲睿” “怎么了?”我有些...
    開封第一講書人閱讀 163,624評論 0 353
  • 文/不壞的土叔 我叫張陵华嘹,是天一觀的道長吧趣。 經(jīng)常有香客問我廊镜,道長本姥,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 58,356評論 1 293
  • 正文 為了忘掉前任,我火速辦了婚禮敦姻,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘付鹿。我一直安慰自己蜜氨,他們只是感情好,可當(dāng)我...
    茶點故事閱讀 67,402評論 6 392
  • 文/花漫 我一把揭開白布稠诲。 她就那樣靜靜地躺著侦鹏,像睡著了一般。 火紅的嫁衣襯著肌膚如雪臀叙。 梳的紋絲不亂的頭發(fā)上略水,一...
    開封第一講書人閱讀 51,292評論 1 301
  • 那天,我揣著相機(jī)與錄音劝萤,去河邊找鬼渊涝。 笑死,一個胖子當(dāng)著我的面吹牛床嫌,可吹牛的內(nèi)容都是我干的跨释。 我是一名探鬼主播,決...
    沈念sama閱讀 40,135評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼厌处,長吁一口氣:“原來是場噩夢啊……” “哼鳖谈!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起阔涉,我...
    開封第一講書人閱讀 38,992評論 0 275
  • 序言:老撾萬榮一對情侶失蹤缆娃,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后瑰排,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體贯要,經(jīng)...
    沈念sama閱讀 45,429評論 1 314
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 37,636評論 3 334
  • 正文 我和宋清朗相戀三年椭住,在試婚紗的時候發(fā)現(xiàn)自己被綠了崇渗。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 39,785評論 1 348
  • 序言:一個原本活蹦亂跳的男人離奇死亡京郑,死狀恐怖宅广,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情傻挂,我是刑警寧澤乘碑,帶...
    沈念sama閱讀 35,492評論 5 345
  • 正文 年R本政府宣布,位于F島的核電站金拒,受9級特大地震影響兽肤,放射性物質(zhì)發(fā)生泄漏套腹。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點故事閱讀 41,092評論 3 328
  • 文/蒙蒙 一资铡、第九天 我趴在偏房一處隱蔽的房頂上張望电禀。 院中可真熱鬧,春花似錦笤休、人聲如沸尖飞。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,723評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽政基。三九已至,卻和暖如春闹啦,著一層夾襖步出監(jiān)牢的瞬間沮明,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 32,858評論 1 269
  • 我被黑心中介騙來泰國打工窍奋, 沒想到剛下飛機(jī)就差點兒被人妖公主榨干…… 1. 我叫王不留荐健,地道東北人。 一個月前我還...
    沈念sama閱讀 47,891評論 2 370
  • 正文 我出身青樓琳袄,卻偏偏與公主長得像江场,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子窖逗,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 44,713評論 2 354

推薦閱讀更多精彩內(nèi)容