這篇文章給大家分享的是有關(guān)怎么使用Python實(shí)現(xiàn)最速下降法求極值的方法的內(nèi)容。小編覺得挺實(shí)用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。

成都創(chuàng)新互聯(lián)專注于企業(yè)成都全網(wǎng)營銷推廣、網(wǎng)站重做改版、善右網(wǎng)站定制設(shè)計、自適應(yīng)品牌網(wǎng)站建設(shè)、html5、商城系統(tǒng)網(wǎng)站開發(fā)、集團(tuán)公司官網(wǎng)建設(shè)、成都外貿(mào)網(wǎng)站制作、高端網(wǎng)站制作、響應(yīng)式網(wǎng)頁設(shè)計等建站業(yè)務(wù)，價格優(yōu)惠性價比高，為善右等各大城市提供網(wǎng)站開發(fā)制作服務(wù)。

對于一個多元函數(shù)，用最速下降法（又稱梯度下降法）求其極小值的迭代格式為

其中為負(fù)梯度方向，即最速下降方向，αkαk為搜索步長。

一般情況下，最優(yōu)步長αkαk的確定要用到線性搜索技術(shù)，比如精確線性搜索，但是更常用的是不精確線性搜索，主要是Goldstein不精確線性搜索和Wolfe法線性搜索。

為了調(diào)用的方便，編寫一個Python文件，里面存放線性搜索的子函數(shù)，命名為linesearch.py，這里先只編寫了Goldstein線性搜索的函數(shù)，關(guān)于Goldstein原則，可以參看最優(yōu)化課本。

線性搜索的代碼如下（使用版本為Python3.3）：

'''
線性搜索子函數(shù)
'''

import numpy as np
import random

def goldsteinsearch(f,df,d,x,alpham,rho,t):

  flag=0

  a=0
  b=alpham
  fk=f(x)
  gk=df(x)

  phi0=fk
  dphi0=np.dot(gk,d)

  alpha=b*random.uniform(0,1)

  while(flag==0):
    newfk=f(x+alpha*d)
    phi=newfk
    if(phi-phi0<=rho*alpha*dphi0):
      if(phi-phi0>=(1-rho)*alpha*dphi0):
        flag=1
      else:
        a=alpha
        b=b
        if(b
上述函數(shù)的輸入?yún)?shù)主要包括一個多元函數(shù)f，其導(dǎo)數(shù)df，當(dāng)前迭代點(diǎn)x和當(dāng)前搜索方向d，返回值是根據(jù)Goldstein準(zhǔn)則確定的搜索步長。
我們?nèi)砸訰osenbrock函數(shù)為例，即有
于是可得函數(shù)的梯度為
最速下降法的代碼如下：
"""
最速下降法
Rosenbrock函數(shù)
函數(shù) f(x)=100*(x(2)-x(1).^2).^2+(1-x(1)).^2
梯度 g(x)=(-400*(x(2)-x(1)^2)*x(1)-2*(1-x(1)),200*(x(2)-x(1)^2))^(T)
"""

import numpy as np
import matplotlib.pyplot as plt
import random
import linesearch
from linesearch import goldsteinsearch

def rosenbrock(x):
  return 100*(x[1]-x[0]**2)**2+(1-x[0])**2

def jacobian(x):
  return np.array([-400*x[0]*(x[1]-x[0]**2)-2*(1-x[0]),200*(x[1]-x[0]**2)])


X1=np.arange(-1.5,1.5+0.05,0.05)
X2=np.arange(-3.5,2+0.05,0.05)
[x1,x2]=np.meshgrid(X1,X2)
f=100*(x2-x1**2)**2+(1-x1)**2; # 給定的函數(shù)
plt.contour(x1,x2,f,20) # 畫出函數(shù)的20條輪廓線

def steepest(x0):

  print('初始點(diǎn)為:')
  print(x0,'\n')  
  imax = 20000
  W=np.zeros((2,imax))
  W[:,0] = x0
  i = 1   
  x = x0
  grad = jacobian(x)
  delta = sum(grad**2) # 初始誤差


  while i10**(-5):
    p = -jacobian(x)
    x0=x
    alpha = goldsteinsearch(rosenbrock,jacobian,p,x,1,0.1,2)
    x = x + alpha*p
    W[:,i] = x
    grad = jacobian(x)
    delta = sum(grad**2)
    i=i+1

  print("迭代次數(shù)為:",i)
  print("近似最優(yōu)解為:")
  print(x,'\n')  
  W=W[:,0:i] # 記錄迭代點(diǎn)
  return W

x0 = np.array([-1.2,1])
W=steepest(x0)

plt.plot(W[0,:],W[1,:],'g*',W[0,:],W[1,:]) # 畫出迭代點(diǎn)收斂的軌跡
plt.show()
為了實(shí)現(xiàn)不同文件中函數(shù)的調(diào)用，我們先用import函數(shù)導(dǎo)入了線性搜索的子函數(shù)，也就是下面的2行代碼
import linesearch
from linesearch import goldsteinsearch
當(dāng)然，如果把定義goldsteinsearch函數(shù)的代碼直接放到程序里面，就不需要這么麻煩了，但是那樣的話，不僅會使程序顯得很長，而且不便于goldsteinsearch函數(shù)的重用。
此外，Python對函數(shù)式編程也支持的很好，在定義goldsteinsearch函數(shù)時，可以允許抽象的函數(shù)f，df作為其輸入?yún)?shù)，只要在調(diào)用時實(shí)例化就可以了。與Matlab不同的是，傳遞函數(shù)作為參數(shù)時，Python是不需要使用@將其變?yōu)楹瘮?shù)句柄的。
運(yùn)行結(jié)果為
初始點(diǎn)為:

[-1.2 1. ] 

迭代次數(shù)為: 1504

近似最優(yōu)解為:

[ 1.00318532 1.00639618]

迭代點(diǎn)的軌跡為
由于在線性搜索子程序中使用了隨機(jī)函數(shù)，初始搜索點(diǎn)是隨機(jī)產(chǎn)生的，因此每次運(yùn)行的結(jié)果不太相同，比如再運(yùn)行一次程序，得到
初始點(diǎn)為:
[-1.2 1. ] 

迭代次數(shù)為: 1994

近似最優(yōu)解為:
[ 0.99735222 0.99469882]
所得圖像為
感謝各位的閱讀！關(guān)于“怎么使用Python實(shí)現(xiàn)最速下降法求極值的方法”這篇文章就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，讓大家可以學(xué)到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！
            

            分享名稱：怎么使用Python實(shí)現(xiàn)最速下降法求極值的方法-創(chuàng)新互聯(lián)            

            文章URL：http://weahome.cn/article/dosspi.html