迭代算法是计算机解决问题的一种基本方法。
--题记
假设站在山脚下，目标是爬到山顶。如果把爬山的过程细化成很多步，那么每一步需要做的两件事情是：确定行进的方向和距离。确定好行进的方向和距离的一个原则是：每行进一步后，更接近山顶。当然，如果你的全局观足够好，这个时候每步行进的方向就能够选择地更好，能够更快地到达山顶（这里的“快”只考虑行进的总步数，并不考虑行进的总距离）。当然，由于视野或者能力的限制，最终到达的是你的目力所及的山顶，可能并不是附近最高的山顶。还有，你的初始位置也决定着到达山顶的难度和速度。
将上述内容和迭代算法做类比。迭代算法中，每次迭代的时候需要考虑增量的方向和大小（行进的方向和距离），而每次迭代后的函数值更接近目标值（山顶），如梯度上升法(gradient
ascent)以及与之对应的求解线性方程组的最速下降法(gradient descent)，最大熵模型学习的改进的迭代尺度法（improved
iterative scaling,
IIS）等等。在有的算法中，如Newton迭代法，迭代的初值（爬山时所处的初始位置）对迭代的影响巨大。只爬到目力所及的山顶（局部最优解），没有爬到最高的山顶（全局最优解）。共轭梯度法（全局观足够好）比最速下降法的收敛速度更快。
后记：
1. 给自己挖个坑，初步计划每周更新一篇，更新的篇数以自己学到的内容为基础，希望这个系列做的时间能够长一些。
参考资料：
[1] https://en.wikipedia.org/wiki/Gradient_descent
[2] https://en.wikipedia.org/wiki/Conjugate_gradient_method
[3] 李航，统计学习方法，p88-91，清华大学出版社，2012年