我正在为一个无约束优化问题创建一个基本的牛顿算法,我的算法结果并不是我所期望的。这是一个简单的目标函数,所以很明显算法应该收敛于(1,1)。我之前创建的梯度下降算法证实了这一点,这里:
def grad_descent(x, t, count, magnitude):
xvalues.append(x)
gradvalues.append(np.array([dfx1(x), dfx2(x)]))
fvalues.append(f(x))
temp=x-t*dfx(x)
x = temp
magnitude = mag(dfx(x))
count+=1
return xvalues, gradvalues, fvalues, count
我尝试创建牛顿法的算法如下:
def newton(x, t, count, magnitude):
xvalues=[]
gradvalues=[]
fvalues=[]
temp=x-f(x)/dfx(x)
while count < 10:
xvalues.append(x)
gradvalues.append(dfx(x))
fvalues.append(f(x))
temp=x-t*f(x)/dfx(x)
x = temp
magnitude = mag(dfx(x))
count+=1
if count > 100:
break
return xvalues, gradvalues, fvalues, count
这是目标函数和梯度函数:
f = lambda x: 100*np.square(x[1]-np.square(x[0])) + np.square((1-x[0]))
dfx = lambda x: np.array([-400*x[0]*x[1]+400*np.power(x[0],3)+2*x[0]-2, 200*(x[1]-np.square(x[0]))])
这里是初始条件。注意,alpha和beta在newton方法中没有使用。你知道吗
x0, t0, alpha, beta, count = np.array([-1.1, 1.1]), 1, .15, .7, 1
magnitude = mag(np.array([dfx1(x0), dfx2(x0)]))
调用函数:
xvalues, gradvalues, fvalues, iterations = newton(x0, t0, count, magnitude)
这会产生非常奇怪的结果。以下是x值、梯度值和函数解的前10次迭代,用于各自的x输入:
[array([-1.1, 1.1]), array([-0.99315589, 1.35545455]), array([-1.11651296, 1.11709035]), array([-1.01732476, 1.35478987]), array([-1.13070578, 1.13125051]), array([-1.03603697, 1.35903467]), array([-1.14368874, 1.14364506]), array([-1.05188162, 1.36561528]), array([-1.15600558, 1.15480705]), array([-1.06599492, 1.37360245])]
[array([-52.6, -22. ]), array([142.64160215, 73.81918332]), array([-62.07323963, -25.90216846]), array([126.11789251, 63.96803995]), array([-70.85773749, -29.44900758]), array([114.31050737, 57.13241151]), array([-79.48668009, -32.87577304]), array([104.93863096, 51.83206539]), array([-88.25737032, -36.308371 ]), array([97.03403558, 47.45145765])]
[5.620000000000003, 17.59584998020613, 6.156932949106968, 14.29937453260906, 6.7080172227439725, 12.305727666787176, 7.297442528545537, 10.926625703722639, 7.944104584786208, 9.89743708419569]
以下是最终输出:
final_value = print('Final set of x values: ', xvalues[-1])
final_grad = print('Final gradient values: ', gradvalues[-1])
final_f = print('Final value of the object function with optimized inputs: ', fvalues[-1])
final_grad_mag = print('Final magnitude of the gradient with optimized inputs: ', mag(np.array([dfx1(xvalues[-1]), dfx2(xvalues[-1])])))
total_iterations = print('Total iterations: ', iterations)
三维绘图显示为here 代码:
x = np.array([i[0] for i in xvalues])
y = np.array([i[1] for i in xvalues])
z = np.array(fvalues)
fig = plt.figure()
ax = fig.gca(projection='3d')
ax.scatter(x, y, z, label='Newton Method')
ax.legend()
这样做的原因是因为最初的猜测是如此接近最佳点,还是我的算法中有一些错误,我没有抓住?任何建议都将不胜感激。看起来解决方案甚至可能是振荡的,但很难判断
所以我终于弄明白这是怎么回事了。这完全是关于Python将我的变量存储为什么样的数据结构。因此,我将所有值设置为'float32',并初始化正在迭代的变量。工作代码如下:
注意:lambda函数是对单行表达式有用的匿名函数
输出:
我想我找到了问题的一部分。我用的是错误的牛顿算法。使用前:
x{k+1}=x{k}-f(x)/∇f(x)
正确的更新是:
x{k+1}=x{k}-[f'(x{k})]-1f'(x{k})
当我改变这一点,结果仍然分歧,但它是稍微好一点。新功能如下:
最接近于收敛的解是在第一步之后,它到达(-1.05,1.1)。然而,它仍然存在分歧。我从来没有用过牛顿法,所以我不确定这是否是准确的算法是要得到或没有。你知道吗
我现在确信python代码有问题。我决定在Matlab中实现该算法,它似乎工作得很好。代码如下:
输出:
相关问题 更多 >
编程相关推荐