本文主要是介绍共轭梯度法 Conjugate Gradient Method （线性及非线性），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！
1. 线性共轭梯度法
共轭梯度法（英语：Conjugate gradient method），是求解系数矩阵为对称正定矩阵的线性方程组的数值解的方法。
共轭梯度法是一个迭代方法，它适用于
1. 求解线性方程组，
2. 共轭梯度法也可以用于求解无约束的最优化问题。
我们想最小化目标函数f(x)，假设其拥有二次形式：
最优化问题表示如下：
上式可以等价于求解线性方程组 Ax = b，因为
目标方程的梯度为：
此外，双共轭梯度法（英语：BiConjugate gradient method）提供了一种处理非对称矩阵情况的推广。
共轭梯度法中，搜索方向p，是关于A共轭的，即
因此也称为共轭方向（conjugate directions）。
示例：
代码：
import numpy as np# Define the objective function
def f(x): return x[0]**2/2 + x[0]*x[1] + x[1]**2 - 2*x[1]# Define A and b
A = np.array(([1/2, 1/2], [1/2, 1]), dtype=float)
b = np.array([0., 2.])# Make sure A is a symmetric positive definite matrix.
if (A.T==A).all()==True: print("A is symmetric")
eigs = np.linalg.eigvals(A)
print("The eigenvalues of A:", eigs)
if (np.all(eigs>0)):print("A is positive definite")
elif (np.all(eigs>=0)):print("A is positive semi-definite")
else:print("A is negative definite")# Implements the linear conjugate gradient algorithm
def linear_CG(x, A, b, epsilon):res = A.dot(x) - b # Initialize the residualdelta = -res # Initialize the descent directionwhile True:if np.linalg.norm(res) <= epsilon:return x, f(x) # Return the minimizer x* and the function value f(x*)D = A.dot(delta)beta = -(res.dot(delta))/(delta.dot(D)) # Line (11) in the algorithmx = x + beta*delta # Generate the new iterateres = A.dot(x) - b # generate the new residualchi = res.dot(D)/(delta.dot(D)) # Line (14) in the algorithm delta = chi*delta - res # Generate the new descent direction# Solve the equations
sol, funValue = linear_CG(np.array([2.3, -2.2]), A, b, 1e-5)# Check the result
if ( np.linalg.norm(A@sol - b) < 1e-5):print("solution verified")2. 非线性共轭梯度法 Nonlinear Conjugate Gradient method
NCG方法被用来解非线性优化问题，常见下面几种算法：
- Fletcher-Reeves algorithm,
- Polak-Ribiere algorithm,
- Hestenes-Stiefel algorithm,
- Dai-Yuan algorithm, and
- Hager-Zhang algorithm.
CG方法第一次被用来解非线性优化问题，是由Fletcher和Reeves提出的。搜索方向delta关于A共轭。
chi计算式如下：
NCG的迭代公式为：
其中delta为方向，beta为步长。
示例：
代码：
首先安装自动微分工具
pip install autograd
使用了autograd里面的梯度求解函数
此外，用到了 scipy中的line_search函数
scipy.optimize.line_search — SciPy v1.13.0 Manual
import numpy as np
from autograd import grad# Define the objective function
def func(x): # Objective functionreturn x[0]**4 - 2*x[0]**2*x[1] + x[0]**2 + x[1]**2 - 2*x[0] + 1Df = grad(func) # Gradient of the objective function# Next we define the function Fletcher_Reeves()
from scipy.optimize import line_search
NORM = np.linalg.normdef Fletcher_Reeves(Xj, tol, alpha_1, alpha_2):x1 = [Xj[0]]x2 = [Xj[1]]D = Df(Xj)delta = -D # Initialize the descent directionwhile True:start_point = Xj # Start point for step length selection beta = line_search(f=func, myfprime=Df, xk=start_point, pk=delta, c1=alpha_1, c2=alpha_2)[0] # Selecting the step lengthif beta!=None:X = Xj+ beta*delta #Newly updated experimental pointif NORM(Df(X)) < tol:x1 += [X[0], ]x2 += [X[1], ]return X, func(X) # Return the resultselse:Xj = Xd = D # Gradient at the preceding experimental pointD = Df(Xj) # Gradient at the current experimental pointchi = NORM(D)**2/NORM(d)**2 # Line (16) of the Fletcher-Reeves algorithmdelta = -D + chi*delta # Newly updated descent directionx1 += [Xj[0], ]x2 += [Xj[1], ]sol, funValue = Fletcher_Reeves(np.array([2., -1.8]), 10**-5, 10**-4, 0.38)
print(sol)最后的解为 [1, 1]，f(x)最小值为0
迭代过程如下：
## +----+-----------+------------+--------------+--------------+
## | | x_1 | x_2 | f(X) | ||grad|| |
## |----+-----------+------------+--------------+--------------|
## | 0 | 2 | -1.8 | 34.64 | 49.7707 |
## | 1 | -0.98032 | -1.08571 | 8.1108 | 12.6662 |
## | 2 | 1.08966 | 0.0472277 | 1.30794 | 5.6311 |
## | 3 | 0.642619 | 0.473047 | 0.131332 | 0.877485 |
## | 4 | 0.766371 | 0.46651 | 0.0691785 | 0.260336 |
## | 5 | 0.932517 | 0.704482 | 0.0318138 | 0.583346 |
## | 6 | 1.0149 | 1.06008 | 0.00112543 | 0.110081 |
## | 7 | 1.02357 | 1.0596 | 0.000697231 | 0.0238509 |
## | 8 | 1.02489 | 1.05473 | 0.000638128 | 0.0331525 |
## | 9 | 1.00544 | 0.999549 | 0.000158528 | 0.0609372 |
## | 10 | 0.996075 | 0.987011 | 4.19723e-05 | 0.016347 |
## | 11 | 0.994792 | 0.986923 | 3.43476e-05 | 0.00538401 |
## | 12 | 0.994466 | 0.987575 | 3.25511e-05 | 0.00620548 |
## | 13 | 0.9956 | 0.992867 | 2.20695e-05 | 0.015708 |
## | 14 | 0.999909 | 1.00171 | 3.59093e-06 | 0.008628 |
## | 15 | 1.00088 | 1.00254 | 1.3779e-06 | 0.00206337 |
## | 16 | 1.00102 | 1.00249 | 1.24228e-06 | 0.000925229 |
## | 17 | 1.00106 | 1.00226 | 1.14704e-06 | 0.00161353 |
## | 18 | 1.00056 | 1.00065 | 5.3011e-07 | 0.00313135 |
## | 19 | 0.999916 | 0.99956 | 8.14653e-08 | 0.00107299 |
## | 20 | 0.999816 | 0.999511 | 4.85294e-08 | 0.000269684 |
## | 21 | 0.999798 | 0.999526 | 4.57054e-08 | 0.000185146 |
## | 22 | 0.999803 | 0.999615 | 3.90603e-08 | 0.000435884 |
## | 23 | 0.99995 | 0.999991 | 1.08357e-08 | 0.000499645 |
## | 24 | 1.00003 | 1.00009 | 2.25348e-09 | 0.000130632 |
## | 25 | 1.00004 | 1.00009 | 1.75917e-09 | 3.97529e-05 |
## | 26 | 1.00004 | 1.00009 | 1.66947e-09 | 4.22905e-05 |
## | 27 | 1.00003 | 1.00006 | 1.1931e-09 | 0.000108964 |
## | 28 | 1 | 0.999989 | 2.11734e-10 | 6.79786e-05 |
## | 29 | 0.999994 | 0.999982 | 7.24881e-11 | 1.61034e-05 |
## | 30 | 0.999993 | 0.999982 | 6.4458e-11 | 6.72611e-06 |
## +----+-----------+------------+--------------+--------------+参考链接：
Chapter 5 Conjugate Gradient Methods | Introduction to Mathematical Optimization
这篇关于共轭梯度法 Conjugate Gradient Method （线性及非线性）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
