最優化方法期末複習

2021-10-12 04:56:31 字數 883 閱讀 9490

最優化理論與方法知識點總結 1

一、最優化簡介: 2

1.1最優化應用舉例 2

1.2基本概念 2

1.3向量範數 3

1.4矩陣範數 3

1.5極限的定義 3

1.6方向導數存在性和計算公式 4

1.7梯度定義 4

1.8海塞矩陣 5

1.9泰勒展開式: 5

1.10凸集定義 5

1.11凸集性質 5

1.12凸函式定義 6

1.13凸函式判斷 6

1.14矩陣正定與半正定判斷 6

1.15例題(判斷矩陣是否正定) 7

1.16凸優化 7

二、線性規劃 7

2.1線性規劃數學模型的一般形式 7

2.2解的基本定理 7

2.3解的分類 8

2.4**法 8

2.5例題(**法) 8

2.6標準型的化法 9

2.7例題(化為標準型) 9

2.8單純形法 10

2.9例題(單純形法) 11

三、對偶線性規劃 13

3.1對偶問題 13

3.2單純形法解對偶問題 13

3.3對偶單純形法求解線性規劃問題過程 14

四、無約束優化 14

4.1無約束優化概述 14

4.2搜尋區間的確定 15

4.3區間消去法原理 16

4.4**分割法 17

4.5插值方法 17

4.6常見的終止準則 19

4.7最速下降法 20

4.8牛頓類方法 20

4.9例題(牛頓類方法) 21

已有知識點+例題詳解

方向導數與梯度

向量範數和矩陣範數

最優化複習要點

i.必要時需要引入鬆弛變數mi nz c txs.t.ax bx 0 ii.退化b 1b 0 基變數的取值全為正 右邊係數全正 i.典式 ii.單純形表 初始基可行解 初始單純形表 非基變數入基 選取最合適的xk 遵循兩個原則 最大 最小 初等行變換 iii.大m法 2個重點 原問題min 對偶問題...

最優化方法

1無約束約束方法 梯度下降 求解線性回歸,有明確的目標函式。利用目標函式的梯度來更新引數,使用最小二乘時,用loss的梯度更新。範數為2的最速下降。牛頓法 目標函式已知,用泰勒展開的近似作為近似解,把近似值帶入目標函式求出近似的引數作為更新值。由於捨棄了泰勒公式的高階項,新的引數值會更接近真實解。在...

複習筆記 最優化方法 2 線性規劃

線性規劃問題的解 1.lp 是乙個凸規劃 2.基矩陣 3.由 基矩陣 發展而來的其他概念 4.基解 可行解是指滿足條件,基本解是指基矩陣對應的解,兩者同時滿足為基本可行解 定理 1 基可行解對應的a的列向量線性無關 定理 2 可行解是基可行解 x是可行域的極點 定理 3 lp有可行解則必有基可行解 ...