Метод наискорейшего спуска.
Более эффективными являются методы, когда на каждой итерации шаг выбирается из условия:
(8)
- Метод наискорейшего спуска
Но в них на каждом шаге приходится решать задачу min (8).
Доказательство теоремы о сходимости данного алгоритма
Эффект оврагов.
Градиентные методы сходятся со скоростью геометрической прогрессии и если матрица хорошо обусловлена, то сходимость высокая, но в случае плохой обусловленности – после этой матрицы приходим к эффекту оврагов.
Пример:
|
|
Быстрая сходимость по переменной (Спуск в овраг) и медленная сходимость по
Выход
1. Изменение масштабов переменных т.е. приведение к круговой форме
2. Эвристические схемы
а) Пусть в точке вычислены - частная производная
Задаём и полагаем , если
т.е. производим быстрый спуск на дно.
б) Задаём и полагаем , если , т.е. идём по берегу оврага, вдоль его дна.
3. Метод оврагов (Гельфанд)
Пусть и - две близкие точки. Из этих точек производим спуск получаем точки и , которые лежат в окрестности «дна оврага». Соединяя их прямой, делаем большой шаг в полученном направлении получаем точку и повторяем процедуру
Метод покоординатного спуска
Стремление уменьшить объем вычислительной работы на одной итерации приводит к упрощению градиентного метода.
Пусть - приближение.
Вычислим частную производную по первой координате и примем
, где - единичный орт оси
Следующая итерация – вычисляют точку
и т.д.
Спуск по всем n – координатам составляет одну внешнюю итерацию.