牛顿法和牛顿迭代法

牛顿法，大致的思想是用泰勒公式的前几项来代替原来的函数，然后对函数进行求解和优化。牛顿法和应用于最优化的牛顿法稍微有些差别。

牛顿法

牛顿法用来迭代的求解一个方程的解，原理如下：
对于一个函数f(x),它的泰勒级数展开式是这样的

[f(x) = f(x_0) + f'(x_0)(x-x_0) + frac{1}{2} f''(x_0)(x-x_0)^2 + ...+frac{1}{n!}f^{n}(x_0)(x-x_0)^n ]

当使用牛顿法来求一个方程解的时候，它使用泰勒级数前两项来代替这个函数，即用(phi(x)代替f(x)),其中:

[phi(x) = f(x_0) + f'(x_0)(x-x_0) ]

令(phi(x) = 0)，则 (x = x_0 - frac{f(x_0)}{ f'(x_0)})。
所以，牛顿法的迭代公式是(x_{n+1} = x_n - frac{f(x_n)}{ f'(x_n)})

牛顿法求解n的平方根

求解n的平方根，其实是求方程(x^2 -n = 0)的解
利用上面的公式可以得到：(x_{i+1} = x_i - frac{x_i^2 - n}{2 x_i} = (x_i + frac{n}{x_i} ) /2)
编程的时候核心的代码是：x = (x + n/x)/2

应用于最优化的牛顿法

应用于最优化的牛顿法是以迭代的方式来求解一个函数的最优解，常用的优化方法还有梯度下降法。
取泰勒展开式的二次项,即用(phi(x))来代替(f(x))：

[phi(x) = f(x_0) + f'(x_0)(x-x_0) + frac{1}{2} f''(x_0)(x-x_0)^2 ]

最优点的选择是(phi'(x)=0)的点，对上式求导

[phi'(x) =f'(x_0) + f''(x_0)(x-x_0) ]

令(phi'(x) = 0)，则(x = x_0 - frac{f'(x_0)}{f''(x_0)})
所以，最优化的牛顿迭代公式是

[x_{n+1} = x_n - frac{f'(x_n)}{f''(x_n)} ]

高维下的牛顿优化方法

在高维下

[phi(x) = f(x_0) + abla f(x_0)^T (x-x_0) + frac{1}{2} (x-x_0)^T abla^2 f(x_0)(x-x_0) ]

求( abla phi(x)),并令它等于0，则公式变为了

[ abla f(x_0) + abla^2 f(x_0)(x-x_0) =0 ]

即

[x = x_0 - { abla ^2 f(x_0) }^{-1} abla f(x_0) ]

所以，迭代公式变为

[x_{n+1} = x_{n} - { abla ^2 f(x_n) }^{-1} abla f(x_n) ]

其中：
(x_{n+1} ,x_n)都是N*1维的矢量。
( abla^2 f(x_n))是Hessien矩阵，({ abla ^2 f(x_n) }^{-1})是Hessien矩阵的逆矩阵，它们都是是N*N维的。
( abla f(x_n))是 (f(x))的导数，是N*1维的。

和梯度下降法相比，在使用牛顿迭代法进行优化的时候，需要求Hessien矩阵的逆矩阵，这个开销是很大的。