?代码：各种最优化牛顿方法matlab程序.rar-算法与数据结构文档类资源-CSDN文库
https://download.csdn.net/download/benchuspx/52145455
目录
针对优化问题，常见的优化方法及其特点如下：
1、最速下降法SD
迭代点处目标函数泰勒展开用一次函数近似，迭代方向dk=-gk，步长alpha由（非）精确线搜索得到，x(k+1)=x(k)+alpha*dk），优化速度慢，迭代次数多，实际应用中几乎不使用了。
2、Newton方法和修正的Newton方法
基本牛顿方法
迭代点处目标函数泰勒展开用二次函数近似，dk=-inv(Gk)*gk，步长alpha=1。优化速度快。但是Hessen矩阵Gk不一定是正定和非奇异（可逆）的，而且可能出现迭代方向dk和梯度gk接近正交的情况导致目标函数f下降量极少。基本牛顿方法只有当初始点x0充分接近极小点x*时，才可能收敛，而且每一步都要计算hessan矩阵的值，每一步都要解一个线性方程组Gk*dk=-dk，计算量为o(n3)。
阻尼牛顿法
在基本牛顿法dk=-inv(Gk)*gk的基础上，步长alpha由（非）精确线搜索得到。就是在迭代方向dk上找到alpha使得下一个迭代点处的目标函数值f(xk+alpha*dk)最小。常见的非精确线搜索准则有Armijo准则，Goldstein准则（含Armijo），Wolfe准则（含Armijo），强Wolfe准则（含Armijo）。该方法由于加入了线搜索，即使迭代点离极小点x*稍远，也能收敛。但是仍然没有解决基本牛顿法的Gk可能不正定、奇异的问题。
为了解决牛顿法中迭代点xk处hessan矩阵Gk可能不正定、奇异的情况，产生了各种修正的Newton方法来修正Gk。比较常用的有混合Newton方法、LM方法（Gk+v*I)和采用Cholesky（乔利斯基）分解的稳定Newon方法（该法是修正Newton方法中效果最好的，但是一般教科书没有讲）。
混合牛顿方法
在阻尼牛顿方法的基础上，加上如下判断：
如果Gk奇异，那么inv(Gk)不存在，那么这一步改用SD最速下降法，dk=-gk。
如果Gk非奇异但不正定，那么inv(Gk)也不正定，即gk'*inv(Gk)*gk<=0。由牛顿公式dk=-inv(Gk)*gk，则有gk'*dk>=0，即迭代点处的方向导数大于0，说明dk不是下降方向而是上升方向。此时另dk=-dk=inv(Gk)*gk即可。
可见，如果Gk一直奇异，那么此时混合牛顿法就是SD方法了，下降速度会很慢。而且它也继承了牛顿法的缺点，即每一步都要算Hessan矩阵中的二阶偏导值，计算量大。
3、拟牛顿方法QN
为了解决牛顿方法里每一步都需要求hessan矩阵里所有二阶导，而且hessan矩阵可能奇异、不正定的情况，干脆找一个正定对称矩阵B(k)来近似G(k)，或者H(k)来近似inv(Gk)。B或者H的初始矩阵可以任意选取或者就选G(0)，inv(G(0))。然后每步迭代的时候根据x(k+1)-x(k)和g(k+1)-g(k)来修正B(k)或H(k)。根据B和H的修正构造方式，可以分为对称秩1（SR1)方法和对称秩2方法，SR1和自身对偶，DFP和BFGS都是对称秩2方法且互相对偶。它们都是拟牛顿方法。
QN方法的好处是不用计算二阶导了，而是仅用一阶导就可以近似出G(k), 缺点是每一步都得存储上一步的B(k)或者H(k)。对于维数n很大的大规模优化问题，B和H的存储量是n^2量级，太大了。因此QN方法只能用于中小规模问题。
4、共轭梯度方法
共轭梯度方法和牛顿法的思路不一样。迭代方向选择为共轭梯度方向：dk=-gk+beta(k-1)*d(k-1)。对于目标函数是正定二次函数的问题，beta(k-1)=gk'*gk/(g(k-1)'*g(k-1))，称为FR线性共轭梯度方法。目标函数如果是一般线性函数，beta(k-1)=gk'*(g(k)-g(k-1))/(g(k-1)'g(k-1))，称为PRP非线性共轭梯度方法。
共轭梯度方法的优点是只用到了上一步的梯度和迭代方向向量，没有用到n^2量级的矩阵，因此存储量小，可以解决大规模优化问题。但是在中小规模问题上肯定效果不如QN法。
代码：
各种最优化牛顿方法matlab程序.rar-算法与数据结构文档类资源-CSDN文库https://download.csdn.net/download/benchuspx/52145455
详尽的线搜索程序，阻尼牛顿、混合牛顿、SR1、BFGS、DFP优化方法，以及三个非线性最小二乘目标函数，输出优化结果和过程图。配有详尽的注释，说明文档和参考文献。
?