第三章 牛顿法§3.1 最速下降法一、最速下降法在极小化算法中，若每次都以迭代点处的负梯度方向为搜索方向，产生的算法称为最速下降法，它是无约束最优化算法中最简单、最基本的算法。

算法描述：1） 给出初始点0n x R ∈，允许误差0ε>，0k =； 2） 计算k k d g =-，若k g ε≤，Stop 令 *k x x ≈； 3） 由一维搜索确定步长因子k α，使得()min ()k k k k k f x d f x d ααα≥+=+4） 令1k k k k x x d α+=+，1k k =+，go to 2).二、最速下降算法的收敛性定理3.1 设1f C ∈，则最速下降算法产生的点列{}k x 的每个聚点均为驻点。

证明：设x 是{}k x 的一个聚点，则存在子序列{}1k K x ，使得1lim k k K x x ∈=令()k k d f x =-∇，由1f C ∈，知{}1()k K f x ∇是收敛序列，故{}1k K d 有界，且1lim ()k k K d f x ∈=-∇由定理2.6有2()(())()0Tf x f x f x ∇-∇=-∇=故有 ()0f x ∇=。

定理 3.2 设()f x 二次连续可微，且2()f x M ∇≤，则对任何给定的初始点0nx R ∈，最速下降算法或有限终止，或lim ()k k f x →∞=-∞，或lim ()0k k f x →∞∇=。

证明：不妨设k ∀，()0k f x ∇≠。

由定理2.5有211()()()2k k k f x f x f x M+-≥∇ 于是 []120101()()()()()2kk k i i i i i f x f x f x f x f x M -+==-=-≥∇∑∑令k →∞，由{()}k f x 为单调下降序列，则要么lim ()k k f x →∞=-∞，要么 lim ()0k k f x →∞∇=。

最速下降算法若采用不精确一维搜索，仍有下列总体收敛性定理。

定理3.3 设1f C ∈，则采用不精确一维搜索得到的点列{}k x 的每个聚点均为驻点。

证明：直接由定理2.14可得。

注：1) 最速下降算法的收敛性也可由前述关于模式算法收敛性结果定理2.7直接获得；2）最速下降算法的主要优点是方法简单、直观，有好的总体收敛性，但收敛很慢。

三、最速下降算法的收敛速度 1. 先考虑二次函数情形定理3.4 对极小化问题1min ()2Tf x x Gx =，其中G 为n n ⨯对称正定矩阵，1λ，n λ分别为G 的最大与最小特征值。

设*x 是最优解，则最速下降算法的收敛速度至少是线性的，且下面的界成立：*2211*221()()()(1)()()(1)()k n k n f x f x f x f x λλττλλ+---≤=-++，*1*k k x x x x+-≤- 其中11n G G τλλ-==（τ为矩阵G 的条件数）。

证明：由()f x Gx ∇=，有()k k f x Gx ∇=。

故1()()k k k k k k k k k k k k x x d x f x x Gx I G x αααα+=+=-∇=-=-其中k α使 (())(())k k k f I G x f I G x αα-≤-， 0α∀≥ 若设 ()1k P t t α=-，()Q t ut λ=- 其中,u R λ∈。

则有()Q G I uG λ=-，而(0)Q λ=，利用这些，可知1()()(())()(0)k k k k Q G f x f I G x f x Q α+=-≤， （要求0u λ>）21()()1()()(())(())2(0)(0)2(0)T T k k k k Q G Q G x G x Q G x G Q G x Q Q Q == 设12,,n λλλ≥≥是G 的特征值，而(1,,)i u i n =是对应得标准特征向量（两两正交的单位向量）。

令()1nk k i ii x au ==∑，则上式可进一步表示为：()()2111(())(())2(0)n nk T k i i j j i j a Q G u G a Q G u Q ==∑∑ ()()2111(())(())2(0)n nk Tk i i i j j j i j a Q u G a Q u Q λλ===∑∑ （将G 作用到∑内每一项） ()()2111(())(())2(0)n nk T k i i i j j j j i j a Q u a Q u Q λλλ===∑∑ ()2()2211()2(0)nk i i i i a Q Q λλ==∑ （由i u 是标准正交向量组） 对()Q t ut λ=-，可适当选取,u λ，使1()1,()1n Q Q λλ==-。

事实上，只须令1()1()1n Q Q λλ=⎧⎨=-⎩ 即可求得()1112,n n nu λλλλλλλ-+==-- 从而 ()112()n nt Q t λλλλ-+=-。

显然()Q t 单调上升。

由1()1,()1n Q Q λλ==-，及12,,n λλλ≥≥，即得()1(1,,)i Q i n λ≤=。

由 ()()22()2()1221111()()2(0)2(0)n nk k k i i i i i i i f x a Q a Q Q λλλ+==≤≤∑∑ 及 ()2()()()()()11111111()()()()()222n nn n n k T k k T k k k i i j j i i j j j i i i j i j i f x a u G a u a u a u a λλ========∑∑∑∑∑即得 12()()(0)k k f x f x Q +≤. 再由 2211(0)n n Q λλλλ⎛⎫+= ⎪-⎝⎭最后得 2111()()n k k n f x f x λλλλ+⎛⎫-≤ ⎪+⎝⎭0k ∀≥.由1101nnλλλλ-<<+，并注意到()f x 是正定二次函数（()0f x ≥）， 则有()0 ()k f x k →→∞。

再由()f x 为严格凸二次函数（正定二次型），故当且仅当0x =时，()0f x =，由此可推得必有 *0k x x →=.再注意到*()0f x =，则有2*111*1()()()()()()k k n k k n f x f x f x f x f x f x λλλλ++⎛⎫--=≤ ⎪-+⎝⎭从而定理第一式得证。

下面再证定理第二式，记*k k e x x =-，k ∀。

由G 是对称正定的，故有1T T T n k k k k k k e e e Ge e e λλ≤≤由*0x =，则 2()T T k k k k k e Ge x Gx f x == 故有12()T T n k k k k k e e f x e e λλ≤≤， k ∀注意到： 2111()()n k k n f x f x λλλλ+⎛⎫-≤ ⎪+⎝⎭因而有22*1111112*112()2()k T k k k n n Tk kn n k k f x x xe e e e x xf x λλλλλλλλ++++-⎛⎫-=≤≤ ⎪+-⎝⎭最后得*1*k k x x x x +-≤-（其中1nλτλ=）。

这表明：最速下降算法至少具有线性收敛速度。

定理3.5（Kantorovich 不等式）设G 是n 阶对称正定矩阵，1λ和n λ分别为其最大和最小特征值，则nx R ∀∈，有211214()()()()T n T T n x x x Gx x G x λλλλ-≥+。

证明：参见袁亚湘等《最优化理论与方法》第三章附录，略。

以上对特殊形式的二次函数1()2Tf x x Gx =的收敛速度进行讨论，对一般的二次函数 1()2TT f x x Gx b x =+ 利用Kantorovich 不等式可得类似的结论，其证明思路如下：设*x 是极小点，则*x 满足*0Gx b +=且()f x 可表示为 ****11()()()22T T f x x x G x x x Gx =--- 记 **1()()()2T E x x x G x x =--，则()E x 与()f x 仅相差一个常数，它们有相同的最优解，且使用最速下降算法时，每次迭代方向产生的迭代序列均完全相同。

现在考察对()E x 的极小化，这时最速下降算法的迭代公式为：1T k k k k k T k k g g x x g g Gg +=- （这里T k k k T k kg gg Gg α=为最优步长因子）其中k k g Gx b =+。

直接计算可得：211121()()()4()()()()Tk k k k nT T k k k k k n E x E x g g E x g Gg g G g λλλλ+--=≥+（由Kantorovich 不等式） 故有： 21112114()1()()()n n k k k n n E x E x E x λλλλλλλλ+⎧⎫⎛⎫-≤-=⎨⎬⎪++⎩⎭⎝⎭（1） 由（1）即得： ()0k E x →（或*()()k E x E x →）。

由G 正定，当且仅当*x x =时，**1()()()02T E x x x G x x =--= 利用()E x 一致凸性，可证必有：*k x x →。

这表明：算法产生的点列{}k x 是整体收敛到*x 的。

由（1）有： 2*111*1()()()()()()k k n kk n f x f x E x f x f x E x λλλλ++⎛⎫--=≤ ⎪-+⎝⎭（2） 注意到： ***1()02T f x x Gx ≤-≤，由（2）有 22*11111()()1()n nk k n n f x f x f x λλλλλλλλ+⎡⎤⎛⎫⎛⎫--⎢⎥≤+- ⎪ ⎪++⎢⎥⎝⎭⎝⎭⎣⎦211()n k n f x λλλλ⎛⎫-≤ ⎪+⎝⎭（3）再令*k k e x x =-（k ∀），则1T T T n k k k k k k e e e Ge e e λλ≤≤，k ∀注意到2()T k k k e Ge E x = 即有： 22**12()n k k k x xE x x x λλ-≤≤-，k ∀从而有：22*1111112*112()()2()()k k nk n n k n n k k E x x xE x E x x x E x λλλλλλλλλλ+++-⎛⎫-=≤=≤ ⎪+-⎝⎭，（令1nλτλ=） 最后得：*1*k k x x x x +-≤- 当目标函数为非二次函数时，最速下降算法的收敛速度依然是线性的。