АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция

Метод градиентного спуска

Читайте также:
  1. F. Метод, основанный на использовании свойства монотонности показательной функции .
  2. FAST (Методика быстрого анализа решения)
  3. I этап Подготовка к развитию грудобрюшного типа дыхания по традиционной методике
  4. I. 2.1. Графический метод решения задачи ЛП
  5. I. 3.2. Двойственный симплекс-метод.
  6. I. ГИМНАСТИКА, ЕЕ ЗАДАЧИ И МЕТОДИЧЕСКИЕ ОСОБЕННОСТИ
  7. I. Метод рассмотрения остатков от деления.
  8. I. Методические основы
  9. I. Методические основы оценки эффективности инвестиционных проектов
  10. I. Организационно-методический раздел
  11. I. Предмет и метод теоретической экономики
  12. I. Что изучает экономика. Предмет и метод экономики.

В соответствии с основной идеей градиентного метода будем
строить элементы минимизирующей последовательности к}
с помощью рекуррентной формулы (2.21), где в качестве направле­
ния S выбирается направление антиградиента как направление
наискорейшего убывания функции ДАО в малой окрестности точ­
ки X. Вычислительная схема метода градиентного спуска такова:
^'=*-акГ(Хк),к = 0, 1,2,... (2.22)

Величина шага выбирается так, чтобы выполнялось условие
АХш)</(Хк),к = 0,1,2,... (2.23)


fruZbl** (2-25)

11/(*)1|£е,, (2.26)

где г.- заданные параметры точности.

Опишем алгоритм рассмотренного метода градиентного спуска.

Шаг 0. Задать параметр точности г > 0, начальный шаг а > 0, параметр алгоритма Х.е(0;1), выбрать Х°еЕ", вычислить зна-чение/Х-Л"0), положить к = 0. ■

Шаг1. Найти градиент/' (X*) и проверить условие достиже­ния заданной точности ||/' к) || < s. Если оно выполняется, то перейти к шагу 4, иначе - к шагу 2.

Шаг 2. Найти новую точку в направлении антиградиента Х=Хк - <*/'(**) и вычислить/^- Если/(Х) <f(Xk), то положить Х*+> = Xk,f(Xk*') =f(Xk),k=k+\,n перейти к шагу 1, иначе- перей­ти к шагу 3.

Шаг 3. Положить а = аЛ, где 0 < А. < 1 и перейти к шагу 2.

Шаг 4. Завершить вычисления, положив Х"- Xk,f'=f(Xk).

Метод наискорейшего спуска

В этом варианте градиентного метода минимизирующая последовательность к} также строится по правилу (2.22). Од­нако величина шага ак находится в результате решения вспомо­гательной задачи одномерной минимизации

min{q>t(a)|a>0}, (2.27)

где ф4(а) =/(#*- а /'(**))• Таким образом, на каждой итерации в направлении антиградиента S* = -/' (**) выполняется исчерпы­вающий спуск. Для решения задачи (2.27) можно воспользовать­ся одним из методов одномерного поиска, изложенных в разд. 1, например, методом поразрядного поиска или методом золотого

сечения.

Опишем алгоритм метода наискорейшего спуска.


ШагО,Задать параметр точности е > 0, выбрать Х*еЕ\ по- Л0ЖИШаМ°Найти/' (X) и проверить условие достижения за- -------- ' м /• iv*\ ii <■ р Venn оно выполняется, то перейти данной точности ||/ (л)||<£. £сли они се к шагу 3, иначе - к шагу 2. Шаг 2 Решить задачу (2.27), т.е. найти а,. Найти очередную

УТ^Х-а/ЧПположитьА ^1ипершагу1. Шаг 3. Завершить вычисления, положив л -л,/ /(.л;.

2.3.3. Типовой пример

Минимизировать функцию

f(X) = xf +4х22-6^-8^ +13. (2.28)

Вначале решим задачу классическим методом. Запишем сис­тему уравнений, представляющих собой необходимые условия безусловного экстремума:

А»,

Решив ее, получим стационарную точку X *= (3; 1). Далее про­верим выполнение достаточного условия, для чего найдем мат­рицу вторых производных:

Ч:)

Так как согласно критерию Сильвестра, эта матрица поло­жительно определена при УХеЕ2, то найденная точка X* являет­ся точкой минимума функции/(А). Минимальное значение / =/(Х)=0. Таково точное решение задачи (2.28). ,-> лс В^полним ОД"У итерацию метода градиентного спуска для (2.28). Выберем начальную точку X" =(1; 0), зададим начальный шаг а = 1 и параметр X = 0,5. Вычислим/^0) = 8. 36


Найдем градиент функции Дл) в точке л"0:

(2.29)

Определим новую точку Х= Х°- а/'(Х°), вычислив ее коор­динаты:

|

х. =х, -сс-

(2.30)

. = х, -а-
дх,

- = 0-а(-8) = 8а =

Вычислим/(Х) =f(X°- а/' (л"°)) =200. то выполняем дробление шага, полагая а = а\= 1 0,5 = 0,5. Снова вычисляем по формулам (2.30) х,=1+4а = 3; х = 8а = 4 и находим значение/(А) = 39. Так как опять/(л) >ДХ°), то еще уменьшаем величину шага, полагая а = аХ=0,5-0,5 = 0,25. Вычисляем новую точку с координатами х,=1+40,25=2; х2=8-0,25=2 и значение функ­ции в этой точке/(л) = 5. Поскольку условие убыванияДА) <f{X°) выполнено, то считаем, что найдена очередная точка минимизи­рующей последовательности Xх = (2;2). Первая итерация градиен­тного спуска завершена.

Выполним одну итерацию по методу наискорейшего спуска для (2.28) с той же начальной точкой А"°= (Г, 0). Используя уже найденный градиент (2.29), находим

1 8аJ

и строим функцию Фо(а) =/(Х°- а/'(А°)) = (4а - 2)2+ 4(8а - I)2. Минимизируя ее с помощью необходимого условия Ф'о(а) = 8(4а - 2) + 64(8а - 1) = 0,

находим оптимальное значение величины шага ао=5/34.


Определяем точку минимизирующей последовательности

'27 20 U7J

1 + 4--

8-1

34 J

Первая итерация завершена. Подсчитав компоненты векто-ра/'СДГ1)

20 17
48. 17'
 

24^

дх.

17'

можно убедиться, что скалярное произведение

т.е. что 1" - точка минимума функции (2.28).

Порядок выполнения лабораторной работы 1. Кратко описать изучаемые градиентные методы 1 геометРическУю иллюстрацию полученного индиви-

комплекса

асче™ГеннЬ - ИШОЛЬЗОВанием компьютерного


Задания для лабораторной работы

1. Минимизировать функцию /(Х)=л,2 +4л22 -4х, -8х, +5
из начальной точки Z°=(l; 2).

2. Минимизировать функцию f{x) = 4xf +x22 -16x, -2х2 +17
из начальной точки Х°= (0;0).

3. Минимизировать функцию f{X) = х,2 +4х22 -Юл:, -48х2 +
+ 169 из начальной точки Х"= (0;0).

4. Минимизировать функцию /(Аг) = 4х,2 +.х:2 -40х, -12х2 +
+ 136 из начальной точки Х°= (0;0).

5. Минимизировать функцию /(X) =.v,2 +4,r2 -6х, -8х2 +13
из начальной точки Х°= (0;0).

6. Минимизировать функцию f(X) = Ах2х + х\ - 24х, - 2л-2 + 37
из начальной точки X"— (2;0).

7. Минимизировать функцию f(X) = x* +9xj -4л:, -18jc2 +13
из начальной точки Ха= (1;0).

8. Минимизировать функцию f(X) = 9х,2 + л-2 - 36л, - 2х2 + 37
из начальной точки Х°= (2;0).


на итерационный процесс решен™ Пс1раметРов алгоритмов
отразить в работе. заДачи. Содержание отчета

3S


3. МЕТОДЫ ОПТИМИЗАЦИИ ПРИ НАЛИЧИИ ОГРАНИЧЕНИЙ

Рассмотрим в общей постановке задачу нелинейного про­граммирования, заключающуюся в отыскании минимума функ­ции многих переменных при заданных ограничениях в виде ра­венств и неравенств.

Целевую функцию/W = /(*,, хг,..., х„) и функции h^X) -= hj(xlt xv..., х„), j =1,..., m; g,(X) = &(*„ xv..., xn), s = 1,..., p, задающие ограничения, будем рассматривать как функции, за­данные в точках «-мерного евклидова пространства Е".

Изучим наиболее употребительные методы решения рас­сматриваемых задач вида

mm{f{X)\XeR}, (3.1)

где R допустимая область, задаваемая ограничениями типа ра­венств и неравенств

() г 0,s = 1,...,р). (3.2)

В случае гладких выпуклых функций f(X), h (X) g(X) по­ставленная задача (3.1) может быть решена применением необ­ходимых и достаточных условий, устанавливаемых теоремами куна - 1 аккера. Однако для решения большинства практических задач используются приближенные численные методы. Рассмот­рим некоторые из них, представляющие две группы методов. ДИСПОЛЬЗУЮЩИе11рб

в рассмотрение вспомога-


тельных функций. Эти методы называют методами последователь­ной безусловной оптимизации.

2. Методы решения задачи условной оптимизации, основан­ные на движении из одной допустимой точки, где выполняются все ограничения, к другой допустимой точке с меньшим значени­ем целевой функции. Таким методом является, например, метод возможных направлений.

Основная идея методов первой группы состоит в том, что­бы аппроксимировать исходную задачу условной оптимизации некоторой вспомогательной задачей, решение которой менее сложно. Очевидно, что ограничившись лишь одной вспомогатель­ной задачей, можно получить лишь приближенное решение. Если же использовать надлежащим образом построенную последова­тельность задач без ограничений, то искомое решение исходной задачи может быть найдено с требуемой точностью как предел соответствующей последовательности приближенных решений.

Методы непосредственного решения задачи условной опти­мизации, образующие вторую группу, позволяют построить для целевой функции минимизирующую последовательность допус­тимых точек, сходящуюся к искомому точному решению постав­ленной задачи.

3.1. Методы последовательной безусловной оптимизации


1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 |

Поиск по сайту:



Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Студалл.Орг (0.006 сек.)