中科大-凸优化笔记（lec47）-最速下降法

阅读量：320 次

发布时间：2019-03-04

本文共 520 字，大约阅读时间需要 1 分钟。

全部笔记的汇总贴（视频也有传送门）：

一、梯度下降法

$d^{k+1}=-\nabla f(x^k)\\\frac{f(x^{k+1})-P^*}{f(x^k)-P^*}\le1-\frac mM\le1-\min\{2m\gamma\alpha_{max},\frac{2m\gamma\beta}M\}\\ K\sim \log(f(x^k)-P^*)\;\;\;\;\;线性收敛$

2mγαmax,M2mγβ}K∼log(f(xk)−P∗)线性收敛

二、最速（陡）下降法

在这里插入图片描述

三、Gradient与Steepest Gradient的变种

1）坐标轮换法

在这里插入图片描述

2）若 $f (x)$ 在某些点不可微

在这里插入图片描述

例：

在这里插入图片描述

下一章传送门：

转载地址：http://aepq.baihongyu.com/

你可能感兴趣的文章

nagios利用NSCient监控远程window主机

Nancy之基于Nancy.Hosting.Aspnet的小Demo

nanoGPT 教程：从零开始训练语言模型

查看>>

NASA网站曝严重漏洞，或将沦为黑客钓鱼网站？

NAT PAT故障排除实战指南：从原理到技巧的深度探索

查看>>

nat 网卡间数据包转发_你是不是从来没有了解过光纤网卡，它跟普通网卡有什么区别？...

查看>>

NAT-DDNS内网穿透技术，快解析DDNS的优势

查看>>

NAT-DDNS内网穿透技术，快解析DDNS的优势

查看>>

NAT-DDNS内网穿透技术，解决动态域名解析难题

查看>>

一、梯度下降法

二、最速（陡）下降法

三、Gradient与Steepest Gradient的变种

1）坐标轮换法

2）若 f ( x ) f(x) f(x)在某些点不可微

例：

2）若 $f (x)$ 在某些点不可微