非精线搜索步长规则Armijo规则Goldstein规则Wolfe规则

本文主要是介绍非精线搜索步长规则Armijo规则Goldstein规则Wolfe规则，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

非精确线搜索步长规则

在数值优化中，线搜索是一种寻找合适步长的策略，以确保在目标函数上获得足够的下降。如最速下降法，拟牛顿法这些常用的优化算法等，其中的线搜索步骤通常使用Armijo规则、Goldstein规则或Wolfe规则等。

设无约束优化问题：
$\min f(x),{\kern 1pt} \,x \in {R^n}$
参数迭代过程： $x_{k+1}\leftarrow x_k + \alpha_k d_k$

$\alpha _{k}=\arg\min f\left(x_{k+1}\right) =\arg\min_{\alpha_k>0}f\left(x_{k}+\alpha_k\cdot d_{k}\right) \\ =\arg\min_{\alpha_k>0}\phi\left(\alpha_k\right)$

从而我们可以得到关于步长 $\alpha_k$ 的方程:
$\phi(\alpha_k)\triangleq f(x_{k}+\alpha_k d_{k})$

对 $\phi(\alpha_k)$ 求导：
$\phi^{\prime}(\alpha_k)=\nabla f(x_{k}+\alpha_k d_{k})^{T}\cdot d_{k}$

当步长 $\alpha_k=0$ 时， $\phi(0)=f(x_{k})$ $\phi^{\prime}\left(0\right)=\nabla f^{\rm T}\left(x_{k}\right)\cdot d_{k}<0$

Tips: 当 $\nabla f\left(x_{k}\right)\cdot d_{k}<0$ 时，即下降方向与负梯度方向的夹角为锐角时，下降有效

我们绘制一个假设的 $\phi(\alpha_k)$ 的函数曲线：
在这里插入图片描述

$\phi(\alpha_k)$ 在0处的切线方程：
$L({\alpha _k}) = f\left( {{x_k}} \right) + \nabla {f^{\rm{T}}}\left( {{x_k}} \right){d_k} \cdot {\alpha _k}$

Armijo规则

Armijo规则是最简单的线搜索规则之一，它基于函数值的下降来决定步长。
具体而言，Armijo规则要求如下图所示：
在这里插入图片描述
绿色划线范围为 $\alpha_k$ 可取值的范围。

设置连接0点 $\phi (0) = f({x_k})$ 和射线 $L({\alpha _k}) = f\left( {{x_k}} \right) + \nabla {f^{\rm{T}}}\left( {{x_k}} \right){d_k} \cdot {\alpha _k}$ 之间作一条过 $0,f(x_k))$ 斜率为 $\cdot \nabla f(x_k)^T d_k$ 的射线。所有满足以下方程的 ${\alpha _k}$ 便可作为步长。即图中绿线划出的取值范围。

$\phi(\alpha_k)=f(x_k + \alpha_k \cdot d_k) \leq f(x_k) + c \cdot \alpha_k \cdot \nabla f(x_k)^T d_k$

其中， $\alpha_k$ 是步长， $c$ 是Armijo规则的参数，通常取小于1的值。Armijo规则保证在朝着梯度方向（即搜索方向 $d_k$ ）移动时，目标函数能够有足够的下降。

Goldstein规则

由于Armijo规则，引入 $\alpha_k$ 的取值范围包含了0附近的值，为了保证迭代步长不会太小，
Goldstein规则是对Armijo规则的一种改进，它引入了一个额外的上界条件。Goldstein规则要求：

$f(x_k + \alpha_k \cdot d_k) \leq f(x_k) + c_1 \cdot \alpha_k \cdot \nabla f(x_k)^T d_k$

并且，

$f(x_k + \alpha_k \cdot d_k) \geq (1 - c_1) \cdot \alpha_k \cdot \nabla f(x_k)^T d_k$

其中， $c_1$ 是Goldstein规则的参数，通常取小于0.5的值。Goldstein规则的引入使得步长既要满足下降条件，又要限制在一个合理的范围内。

其示意图如下：
在这里插入图片描述
蓝色划线范围为 $\alpha_k$ 可取值的范围。

Wolfe规则

Wolfe规则结合了Armijo条件和曲率条件，它对步长进行更为严格的控制。 $\phi(\alpha_k)$ 的斜率由负值最大逐步增加，因此新增一个斜率的约束，去掉小步长。

Wolfe规则要求两个条件：

Armijo条件：
$\phi(\alpha_k)=f(x_k + \alpha_k \cdot d_k) \leq f(x_k) + c_1 \cdot \alpha_k \cdot \nabla f(x_k)^T d_k$
曲率条件：
$\phi^{\prime}(\alpha_k)=\nabla f(x_k + \alpha_k \cdot d_k)^T d_k \geq c_2 \cdot \nabla f(x_k)^T d_k$

其中， $c_1$ 和 $c_2$ 是Wolfe规则的参数，通常 $0 < c_1 < c_2 < 1$ 。Wolfe规则旨在确保步长既满足足够的下降条件，又满足足够的曲率条件，以保证收敛性和数值稳定性。
在这里插入图片描述
蓝色划线范围为 $\alpha_k$ 可取值的范围。

C++示例代码

以上规则在实际应用中通常作为拟牛顿法的一部分。以下是一个简单的C++示例程序，演示了Armijo、Goldstein和Wolfe规则的使用。

#include <iostream>
#include <cmath>
#include <Eigen/Dense>
#include <limits>using namespace Eigen;double objectiveFunction(const VectorXd& x) {return x[0]*x[0] + 2*x[1]*x[1];
}VectorXd gradient(const VectorXd& x) {VectorXd grad(2);grad[0] = 2*x[0];grad[1] = 4*x[1];return grad;
}bool armijoRule(const VectorXd& x, const VectorXd& d, double alpha, double beta) {double c = 0.5; // Armijo参数double expectedReduction = c * alpha * gradient(x).dot(d);double actualReduction = objectiveFunction(x - alpha * d) - objectiveFunction(x);return actualReduction >= expectedReduction;
}void armijoExample() {VectorXd x(2);x << 1.0, 1.0;  // Initial guessVectorXd d = -gradient(x); // Descent directiondouble alpha = 1.0; // Initial step sizedouble beta = 0.5;  // Step size reduction factorwhile (!armijoRule(x, d, alpha, beta)) {alpha *= beta;}std::cout << "Armijo rule: Optimal step size = " << alpha << std::endl;
}bool goldsteinRule(const VectorXd& x, const VectorXd& d, double alpha, double beta, double gamma) {double c1 = 0.5; // Goldstein参数double expectedReduction = c1 * alpha * gradient(x).dot(d);double actualReduction = objectiveFunction(x - alpha * d) - objectiveFunction(x);double upperBound = (1 - c1) * alpha * gradient(x).dot(d);return actualReduction >= expectedReduction && actualReduction <= upperBound;
}void goldsteinExample() {VectorXd x(2);x << 1.0, 1.0;  // Initial guessVectorXd d = -gradient(x); // Descent directiondouble alpha = 1.0; // Initial step sizedouble beta = 0.5;  // Step size reduction factordouble gamma = 2.0; // Additional parameter for Goldstein rulewhile (!goldsteinRule(x, d, alpha, beta, gamma)) {alpha *= beta;}std::cout << "Goldstein rule: Optimal step size = " << alpha << std::endl;
}bool wolfeRule(const VectorXd& x, const VectorXd& d, double alpha, double c1, double c2) {double phi0 = objectiveFunction(x);double phi_alpha = objectiveFunction(x + alpha * d);double phi_prime_0 = gradient(x).dot(d);double phi_prime_alpha = gradient(x + alpha * d).dot(d);// Armijo条件if (phi_alpha > phi0 + c1 * alpha * phi_prime_0)return false;// 曲率条件if (phi_prime_alpha < c2 * phi_prime_0)return false;return true;
}void wolfeExample() {VectorXd x(2);x << 1.0, 1.0;  // Initial guessVectorXd d = -gradient(x); // Descent directiondouble alpha = 1.0; // Initial step sizedouble c1 = 1e-4;   // Armijo条件参数double c2 = 0.9;    // 曲率条件参数while (!wolfeRule(x, d, alpha, c1, c2)) {alpha *= 0.5; // Reduce step size}std::cout << "Wolfe rule: Optimal step size = " << alpha << std::endl;
}int main()
{armijoExample();goldsteinExample();wolfeExample();
}//g++ xiansousuo.cpp `pkg-config eigen3 --libs --cflags`