最优化-一维搜索

精确一维搜索

试探法

精确一维搜索就是通过迭代取减少搜索区间

对于搜索区间[a, b]

在这个区间中找连个互不相同的试探点p1 p2获取f(p1), f(p2), 设p1 < p2

若f(p1) < f(p2)   则丢弃区间 [p2, b]

若f(p1) >= f(p2) 则丢弃区间 [a, p1]

这样就达到了通过一次迭代减小搜索区间的目的

当搜索区间长度< 给定的误差e时，终止迭代

不同的试探法，其实不同的是选取p1, p2的方法

0.618法

　　0.618法就是

　　p1 = a * 0.618 + b * (1-0,618)

　　p2 = a * (1-0,618) + b * 0.618

斐波那契法:

　　对与第i次迭代

　　p1 = F_i+1 / (F_i + F_i+1) * a + F_i / (F_i + F_i+1) * b

　　p2 = F_i / (F_i + F_i+1) * a + F_i+1 / (F_i + F_i+1) * b

插值法

　　通过已有的条件构造插值函数

　　通过求插值函数的极小值点去近似已有函数的极小值点

三点二次插值

　　已有三个点（p₁,f(p₁))，（p₂,f(p₂))，（p₃,f(p₃))

　　通过拉格朗日插值法获取插值函数

　　求得插值函数的倒数为0获取插值函数的极小值点（p₀,f(p₀))

　　现在我们有四个点了，通过这种方法得到四个点后，通过试探法的迭代方法去缩小区间即可

　　终止准则也同迭代法的终止准则

二点二次插值

　　给定初始步长alaph和步长缩减因子

　　我可以获得x的函数值和他的导数

　　获取第一个点x₀,f(x₀), f^'(x₀)

　　给定步长alaph，往函数下降的方法走alaph得到x₁

　　若f(x₁) > f(x₀) + f^'(x₀) * abs(x₀ - x₁) 则步长不断以alaph = 2*alaph增加直到不满足条件

　　通过f(x₁), f(x₀), f'(x₀)计算插值函数，并求得最优点u

　　若f^‘(u) < e 终止迭代

　　否则将u作为初始点，继续迭代步长alaph = p * alaph

　　

　　一般来说 alaph = 2  p = 1/10

二点三次插值

　　给定初始步长alaph和步长缩减因子

　　我可以获得x的函数值和他的导数

　　获取第一个点x₀,f(x₀), f^'(x₀)

　　给定步长alaph，往函数下降的方法走alaph得到x₁

　　计算得到f(x₁), f^'(x₁)

　　若f^'(x₁) * f^'(x₀) > 0 则将x₁做为x₀ alaph = 2 * alaph的方式迭代直到不满足条件

　　

　　通过f(x₁),f'(x1), f(x₀), f'(x₀)计算插值函数，并求得最优点u

　　若f^‘(u) < e 终止迭代

　　否则将u作为初始点，继续迭代步长alaph = p * alaph

　　

　　一般来说 alaph = 2  p = 1/10

非精确一维搜索 

Goldstein方法

　　对于函数Φ(x) 我能知道在任意一点的函数值与倒数

　　对于区间[u_min, u_max]，置精度要求0<β₁<β₂<1

　　一般来说u_min= 0 u_max = +∞

　　取初始点u₀

　　若Φ(u) > Φ(0) + β₁ * Φ(0)’ * u

　　u_max = u

　　

　　若Φ(0) + β₂ * Φ(0)‘ * u <= Φ(u) <=  Φ(0) + β₁ * Φ(0)’ * u

　　达到精度要求，停止计算

　　

　　若Φ(u)  <  Φ(0) + β₂ * Φ(0)‘ * u

　　u_min = u

　　

　　当 u_max = +∞时，置下一步的试探点为u = 2 * u_min

　　否则u = (u_min+u_max) / 2

Armijo方法

　　取一大于0的数M，0<β₁<1

　　Φ(u) <=  Φ(0) + β₁ * Φ(0)‘ * u

　　且Φ(u*M) >=  Φ(0) + β₁ * Φ(0) ’* u

　　条件终止

Wolfe-Powell方法

　　置精度要求0<β₁<β₂<1

　　Φ(u) <=  Φ(0) + β₁ * Φ(0)‘ * u

　　Φ’(u) <=   β₂ * Φ(0)'