使用Python实现牛顿法求极值
(编辑：jimmy 日期: 2024/11/19 浏览：3 次 )
对于一个多元函数 
用牛顿法求其极小值的迭代格式为
其中 
为函数 
的梯度向量， 
为函数 
的Hesse（Hessian）矩阵。
上述牛顿法不是全局收敛的。为此可以引入阻尼牛顿法（又称带步长的牛顿法）。
我们知道，求极值的一般迭代格式为
其中 
为搜索步长，
为搜索方向（注意所有的迭代格式都是先计算搜索方向，再计算搜索步长，如同瞎子下山一样，先找到哪个方向可行下降，再决定下几步）。
取下降方向 
即得阻尼牛顿法，只不过搜索步长 
不确定，需要用线性搜索技术确定一个较优的值，比如精确线性搜索或者Goldstein搜索、Wolfe搜索等。特别地，当 
一直取为常数1时，就是普通的牛顿法。
以Rosenbrock函数为例，即有
于是可得函数的梯度
函数
的Hesse矩阵为
编写Python代码如下（使用版本为Python3.3）：
"""
Newton法
Rosenbrock函数
函数 f(x)=100*(x(2)-x(1).^2).^2+(1-x(1)).^2
梯度 g(x)=(-400*(x(2)-x(1)^2)*x(1)-2*(1-x(1)),200*(x(2)-x(1)^2))^(T)
"""
import numpy as np
import matplotlib.pyplot as plt
def jacobian(x):
return np.array([-400*x[0]*(x[1]-x[0]**2)-2*(1-x[0]),200*(x[1]-x[0]**2)])
def hessian(x):
return np.array([[-400*(x[1]-3*x[0]**2)+2,-400*x[0]],[-400*x[0],200]])
X1=np.arange(-1.5,1.5+0.05,0.05)
X2=np.arange(-3.5,2+0.05,0.05)
[x1,x2]=np.meshgrid(X1,X2)
f=100*(x2-x1**2)**2+(1-x1)**2; # 给定的函数
plt.contour(x1,x2,f,20) # 画出函数的20条轮廓线
def newton(x0):
print('初始点为:')
print(x0,'\n')
W=np.zeros((2,10**3))
i = 1
imax = 1000
W[:,0] = x0
x = x0
delta = 1
alpha = 1
while i<imax and delta>10**(-5):
p = -np.dot(np.linalg.inv(hessian(x)),jacobian(x))
x0 = x
x = x + alpha*p
W[:,i] = x
delta = sum((x-x0)**2)
print('第',i,'次迭代结果:')
print(x,'\n')
i=i+1
W=W[:,0:i] # 记录迭代点
return W
x0 = np.array([-1.2,1])
W=newton(x0)
plt.plot(W[0,:],W[1,:],'g*',W[0,:],W[1,:]) # 画出迭代点收敛的轨迹
plt.show()
上述代码中jacobian(x)返回函数的梯度，hessian(x)返回函数的Hesse矩阵，用W矩阵记录迭代点的坐标，然后画出点的搜索轨迹。
可得输出结果为
初始点为: [-1.2 1. ] 第 1 次迭代结果: [-1.1752809 1.38067416] 第 2 次迭代结果: [ 0.76311487 -3.17503385] 第 3 次迭代结果: [ 0.76342968 0.58282478] 第 4 次迭代结果: [ 0.99999531 0.94402732] 第 5 次迭代结果: [ 0.9999957 0.99999139] 第 6 次迭代结果: [ 1. 1.]
即迭代了6次得到了最优解，画出的迭代点的轨迹如下：
由于主要使用了Python的Numpy模块来进行计算，可以看出，代码和最终的图与Matlab是很相像的。
以上这篇使用Python实现牛顿法求极值就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。
下一篇：关于TensorFlow新旧版本函数接口变化详解