优化算法—拟牛顿法之DFP算法
一、牛顿法
此时,是否可以通过模拟出Hesse矩阵的构造过程?此方法便称为拟牛顿法(QuasiNewton),上式称为拟牛顿方程。在拟牛顿法中,主要包括DFP拟牛顿法,BFGS拟牛顿法。
二、DFP拟牛顿法
1、DFP拟牛顿法简介
2、DFP校正方法的推导
3、DFP拟牛顿法的算法流程
DFP拟牛顿法的算法流程如下:
4、求解具体的优化问题
[python] view plain copy 在CODE上查看代码片派生到我的代码片
#coding:UTF-8
'''''
Created on 2015年5月19日
@author: zhaozhiyong
'''
from numpy import *
#fun
def fun(x):
return 100 * (x[0,0] ** 2 - x[1,0]) ** 2 + (x[0,0] - 1) ** 2
#gfun
def gfun(x):
result = zeros((2, 1))
result[0, 0] = 400 * x[0,0] * (x[0,0] ** 2 - x[1,0]) + 2 * (x[0,0] - 1)
result[1, 0] = -200 * (x[0,0] ** 2 - x[1,0])
return result
dfp.py
[python] view plain copy 在CODE上查看代码片派生到我的代码片
#coding:UTF-8
'''''
Created on 2015年5月19日
@author: zhaozhiyong
'''
from numpy import *
from function import *
def dfp(fun, gfun, x0):
result = []
maxk = 500
rho = 0.55
sigma = 0.4
m = shape(x0)[0]
Hk = eye(m)
k = 0
while (k < maxk):
gk = mat(gfun(x0))#计算梯度
dk = -mat(Hk)*gk
m = 0
mk = 0
while (m < 20):
newf = fun(x0 + rho ** m * dk)
oldf = fun(x0)
if (newf < oldf + sigma * (rho ** m) * (gk.T * dk)[0,0]):
mk = m
break
m = m + 1
#DFP校正
x = x0 + rho ** mk * dk
sk = x - x0
yk = gfun(x) - gk
if (sk.T * yk > 0):
Hk = Hk - (Hk * yk * yk.T * Hk) / (yk.T * Hk * yk) + (sk * sk.T) / (sk.T * yk)
k = k + 1
x0 = x
result.append(fun(x0))
return result
testDFP.py
[python] view plain copy 在CODE上查看代码片派生到我的代码片
#coding:UTF-8 数据分析师培训
'''''
Created on 2015年5月19日
@author: zhaozhiyong
'''
from bfgs import *
from dfp import dfp
import matplotlib.pyplot as plt
x0 = mat([[-1.2], [1]])
result = dfp(fun, gfun, x0)
n = len(result)
ax = plt.figure().add_subplot(111)
x = arange(0, n, 1)
y = result
ax.plot(x,y)
plt.show()
数据分析咨询请扫描二维码