共轭梯度法及其应用毕业论文

之前文章 最速下降法、Newton法、修正Newton法 介绍的最速下降法存在锯齿现象，Newton法需要计算目标函数的二阶导数。接下来介绍的 共轭方向法 是介于最速下降法和Newton法之间的一种方法，它克服了最速下降法的锯齿现象，从而提高了收敛速度；它的迭代公式也比较简单，不必计算目标函数的二阶导数，与Newton法相比，减少了计算量和存储量。它是比较实用而有效的最优化方法。

我们先将其在正定二次函数 上研究，然后再把算法用到更一般的目标函数上。首先考虑二维的情形。

任选初始点 ，沿它的某个下降方向，例如向量 的方向，作直线搜索，如上图所示。由下面这个定理：

定理 ：设目标函数 具有一阶连续偏导数，若 ,则 。

知 。如果按照最速下降法选择的就是负梯度方向为搜索方向(也就是 方向)，那么将要发生锯齿现象。于是一个设想是，干脆选择下一个迭代的搜索方向 就从 直指极小点 ，也就是找到上图所示的 方向。

因为 从 直指极小点 ,所以 可以表示为：   其中 是最优步长因子。显然，当 时， 。到这里，我们还有一个已知条件没用，就是目标函数为二次正定，所以我们对目标函数求导，得到：   因为 是极小点，所以有:   将 带入上述方程式，有：   上式两边同时左乘 ，并注意到 和 ，得到 。这就是为使 直指极小点 ， 所必须满足的条件。并且我们将两个向量 和 称为 共轭向量 或称 和 是 共轭方向 。

由上面共轭梯度法那张图可以设：   上式两边同时左乘 ,得：   由此解出：   代回 得：   从而求到了 的方向。

归纳一下，对于正定二元二次函数，从任意初始点 出发，沿任意下降方向 做直线搜索得到 再从 出发，沿 的共轭方向 作直线搜索，所得到的 必是极小点 。到目前为止的共轭梯度法依旧是假设了目标函数是二次正定矩阵。

上面的结果可以推广到 维空间中，即在 维空间中，可以找出 个互相共轭的方向，对于 元正定二次函数从任意初始点出发，顺次沿着这 个共轭方向最多作 次直线搜索，就可以求到目标函数的极小点。

对于 元正定二次目标函数，如果从任意初始点出发经过 有限次迭代 就能够求到极小点，那么称这种算法具有 二次终止性 。例如，Newton法对于二次函数只须经过一次迭代就可以求到极小点，因此是二次终止的；而最速下降法就不具有二次终止性。共轭方向法（如共轭梯度法、拟Newton法等）也是二次终止的。

一般说来，具有二次终止性的算法，在用于一般函数时，收敛速度是较快的。

定义：设 是 对称正定矩阵。若 维向量空间中的非零向量 满足 ， 则称 是 共轭向量或称向量 是 共轭的（简称共轭）。

当 (单位矩阵)时 变为 ， 。即向量 互相正交 。由此看到，“正交”是“共轭”的一种特殊情形，或说，“共轭”是“正交”的推广。

下面介绍几个定理：

定理 ：若非零向量 是 共轭的，则线性无关。

推论 ：在 维向量空间中， 非零的共轭向量的个数不超过 。

定义 设 是 中的线性无关向量， 。那么形式为：   的向量构成的集合，记为 。称为由点 和向量 所生成的 线性流形 。

共轭方向法的理论基础是下面的定理。

定理 假设

(1) Q为 对称正定矩阵;

(2) 非零向量 是 共轭向量;

(3) 对二次目标函数 顺次进行 次直线搜索: 其中 是任意选定的初始点，则有：

i) ， ;

ii) 是二次函数 在线性流形 上的极小点。

这个定理看来较繁，但可借用直观的几何图形来帮助理解。 ， 的情形为例，如图示。

和 是Q共轭向量，张成了二维空间 ，这是过坐标原点的一个平面。 现在，过点 沿 方向作直线搜索得到 ，再过点 沿 方向作直线搜索得到 过点 由向量 和 张成的平面就是线性流形 。它是 的平行平面。

定理的论断是，最后一个迭代点 处的梯度 必与 和 垂直。并且 是三元二次目标函数 在线性流形 (即过 由 和 张成的平面)上的极小点。

共轭方向法算法的大体流程 就是：选定初始点 和下降方向向量 ，做直线搜索 。提供的梯度方向 使得 ， 。提供共轭方向的方法有多种。不同的提供方法将对应不同的共轭方法。每种方法也因产生共轭方向的特点而得名。

那么这里做直线搜索 中的 是如何确定的呢？这里我们先回顾一下在最速下降法中是如何计算这个 的。最速下降法：

依据定理 设目标函数 具有一阶连续偏导数，若 ,则 。，我们可以得到 。由此有：   由此，可求解出 :   这里还可以采用另外一种种方式计算 ，下面对另外一种方式进行公式推导：

由 ，用 左乘上式两边，然后再同时加上 ，利用 能够得到：   左乘 有   由此解出：   在最速下降法中 ，在共轭方向法中 。

在共轭方向法中，如果初始共轭向量 恰好取为初始点 处的负梯度 ，而其余共轭向量 由第 个迭代点 处的负梯度 与已经得到的共轭向量 的线性组合来确定，那么这个共轭方向法就称为 共轭梯度法 。

针对目标函数是正定二次函数来讨论：

(1) 第一个迭代点的获得 ：

选定初始点 ，设 (否则迭代终止)，因此 。取 ，（以下用 表示 ）从 出发沿 方向做直线搜索，得到第1个迭代点 ，其中 可由下式确定：   显然

(2) 第二个迭代点的获得 ：

设 ，因此 。由 知 与 线性无关。取 其中 是使 与 共轭的待定系数，令：   由此解出   并代回确定 ，并获得第2个迭代点。   由公式 可以求得 ，带入公式 可进一步优化得到： (3) 第三个迭代点的获得 ：

设 ，因此 。由 知 与 线性无关。取 其中 是使 与 共轭的待定系数，令：   由此解出   并代回确定 ，并获得第3个迭代点。   其中   上述过程仅表明 与 ， 与 共轭，现在问， 与 也共轭吗？ (4) 第 个迭代点的获得 ：

由 知 与 线性无关。取 其中 是使 与 共轭的待定系数，令：   由此解出   并代回确定 ，并获得第k+1个迭代点。   其中   以上就是共轭梯度法得核心内容。

为使共轭梯度算法也适用于非二次函数，需要消去算法中的 对于正定二次函数，有 代入到 中，得：   此式中已不再出现矩阵 ，将 两端转置运算，并同时右乘 得：   将共轭方向法中的定理带入得到 ，由直线搜索的性质有 ，带入上式有 。此外：   带入 ，得到：   此式称为Fletcher－Reeves公式(1964年)。

共轭梯度法指的是：

共轭梯度法是介于最速下降法与牛顿法之间的一个方法，它仅需利用一阶导数信息，但克服了最速下降法收敛慢的缺点，又避免了牛顿法需要存储和计算Hesse矩阵并求逆的缺点。

共轭梯度法不仅是解决大型线性方程组最有用的方法之一，也是解大型非线性最优化最有效的算法之一。在各种优化算法中，共轭梯度法是非常重要的一种。其优点是所需存储量小，具有步收敛性，稳定性高，而且不需要任何外来参数。

共轭梯度法的提出和应用：

共轭梯度法最早是由Hestenes和Stiefle提出来的，在这个基础上，Fletcher和Reeves 首先提出了解非线性最优化问题的共轭梯度法。由于共轭梯度法不需要矩阵存储，且有较快的收敛速度和二次终止性等优点，现在共轭梯度法已经广泛地应用于实际问题中。