目錄題目
作答1. 建立函式檔案ceshi.m
2. 這是呼叫的命令，也可以寫在.m檔案裡
3. 輸出結果
題外話
本文使用matlab作答
function [x1,y1,f_now,z] = ceshi(z1,z2)
%%%%%%%%%%%%%% 梯度下降法求函式區域性極大值@冀瑞靜 %%%%%%%%%%%%%%%%%%
% 函式：f(x,y)=
% 目的：求區域性極大值和對應的極大值點座標
% 方法：梯度下降法
% 理論：
% 方向導數：偏導數反應的是函式沿座標軸方向的變化率，但許多物理現象告訴我們，只考慮函式沿座標軸方向的變化率是不夠的，有必要研究函式沿任一指定方向的變化率。
% 函式f(x,y)在點p0(x0,y0)可微分，那麼函式在改點沿任一方向l的方向導數存在，其值為：f'x(x0,y0)*cos(α)+f'y(x0,y0)*cos(β)，其中，cos(α)，cos(β)是方向l的方向余弦。
% 梯 度：是與方向導數有關聯的另乙個概念，梯度是乙個向量，表示為：'x(x0,y0)*i+f'y(x0,y0)*j。
% 關 系：
% f'x(x0,y0)*cos(α)+f'y(x0,y0)*cos(β)
% =grad f(x0,y0)*el
% =|grad f(x0,y0)|*cos(θ)，其中el=（cos(α)，cos(β)）是與方向l同方向的單位向量。
% 變化率：函式沿某個方向的變化率指的是函式值沿這個方向變化的快慢。
% θ=0，el與梯度同向，函式增加最快，函式在這個方向的方向導數達到最大值，這個最大值就是梯度的模；
% θ=π，el與梯度反向，函式減少最快，函式在這個方向的方向導數達到最小值；
% θ=π/2，el與梯度方向正交，函式變化率為零。
x0 = z1;
y0 = z2;
f_now = exp((sin(y0) - 1)^2)*cos(x0) + (x0 - y0)^2 + exp((cos(x0) - 1)^2)*sin(y0);%求解函式的極大值點，先求其函式負值的極小值點
z=0; %用於記錄迴圈次數
f_error = 1; %f_error為迭代差值，作為判別標準
h = 1.0e-8; %步長
while f_error>1.0e-8 %判定標準：1.前後兩次的差》1.0e-8（選用）；2.迭代次數達到xx次；
if (x00)
break;
endif ((y00))
break;
endf_val = f_now;
x1 = x0 + h * (2*x0 - 2*y0 - exp((sin(y0) - 1)^2)*sin(x0) - 2*exp((cos(x0) - 1)^2)*sin(x0)*sin(y0)*(cos(x0) - 1));
y1 = y0 + h * (2*y0 - 2*x0 + exp((cos(x0) - 1)^2)*cos(y0) + 2*exp((sin(y0) - 1)^2)*cos(x0)*cos(y0)*(sin(y0) - 1));
f_now = exp((sin(y1) - 1)^2)*cos(x1) + (x1 - y1)^2 + exp((cos(x1) - 1)^2)*sin(y1) ;
f_error = f_now-f_val;
x0 = x1;
y0 = y1;
z = z+1;
endend
clear
clc[x1,y1,f_out] = ceshi(-1,-2);
fprintf('%.3f\t',x1,y1,f_out); %f保留小數點後三位
這是截圖
第一次發部落格，開始涉足計算機視覺領域，歡迎拍磚。
利用梯度下降法求解函式最小值
import numpy as np import matplotlib.pyplot as plt plot x np.linspace 1,6,141 在 1到6之間等距的生成141個數 plot y plot x 2.5 2 3 同時根據plot x來生成plot y 由上一段 可以知道，我們...
梯度下降法 求解最優解
import numpy as np import matplotlib as mpl import matplotlib.pyplot as plt import math from mpl toolkits.mplot3d import axes3d 設定在jupyter中matplotlib的...
梯度下降法求解線性回歸
梯度下降法 英語 gradient descent 是乙個一階最優化演算法，通常也稱為最速下降法。要使用梯度下降法找到乙個函式的區域性極小值，必須向函式上當前點對應梯度 或者是近似梯度 的反方向的規定步長距離點進行迭代搜尋。如果相反地向梯度正方向迭代進行搜尋，則會接近函式的區域性極大值點 這個過程則...