带线搜索的牛顿法
2016-08-23
0 0 0
暂无评分
其他
如何获取积分?
函数 [xk,k] = line_search(fun,R,x0,kup,epsilon,maxtol)
功能根用准牛顿-拉夫逊法的计算
加速了线搜索 algorithmDescription
方程乐趣 (x) = R 求解 x,与不是等于 0。x 和 R
是列向量相同 (点心)。如果方程乐趣 (x) = 0 是
问题必须解决,定义 R 这样的乐趣 (x) +R=R.Input 参数
很有趣: 在左手边的方程是函数句柄
解决了。有趣的定义必须是类型: [f,J]=fun(x),在那里
f 是乐趣在 x 的值和 J 是雅可比矩阵的值
乐趣在十 f、 必须是一个昏暗的 1 向量和 J 必须由昏暗昏暗
矩阵。
: 右手边的方程乐趣 = R (列向量,昏暗的 1)
x 0: 解决方案 xk (列向量 dim-由-1) 初步估计。
默认值是 (R+1).*rand(size(R))。由于随机函数
在运行中的收敛性问题的存在并不意味着他们
将在下一次运行中存在。
杯子: 刚度矩阵更新 (数目迭代次数后将
切线刚度矩阵被更新)。杯子 = 1 算法
实行的是全牛顿拉夫逊法。杯子 = Inf 算法
实行的是修改牛顿 (初始刚度)。默认值 4。
epsilon: 容忍 xk 的收敛性和雅可比矩阵的奇异性
(默认 1e-5)
maxtol: 容忍分歧的 xk (默认 1000年) 输出参数
xk: 根的乐趣 (xk) = R
克: 数字迭代 (直到收敛) 的示例:
1) 构建一个功能叫做乐趣 (使一个名为 fun.m 和粘贴文件
在它下面的代码):
函数 [f,J]=fun(x)
%定义一个列向量列向量函数
f1 = (1) x ^2 + x (2) ^2-49 ;
f2 = x(1)*x(2)-24 ;
f = [f1、 f2] ;
%函数雅可比矩阵
J = [2*x(1),2*x(2);
x
功能根用准牛顿-拉夫逊法的计算
加速了线搜索 algorithmDescription
方程乐趣 (x) = R 求解 x,与不是等于 0。x 和 R
是列向量相同 (点心)。如果方程乐趣 (x) = 0 是
问题必须解决,定义 R 这样的乐趣 (x) +R=R.Input 参数
很有趣: 在左手边的方程是函数句柄
解决了。有趣的定义必须是类型: [f,J]=fun(x),在那里
f 是乐趣在 x 的值和 J 是雅可比矩阵的值
乐趣在十 f、 必须是一个昏暗的 1 向量和 J 必须由昏暗昏暗
矩阵。
: 右手边的方程乐趣 = R (列向量,昏暗的 1)
x 0: 解决方案 xk (列向量 dim-由-1) 初步估计。
默认值是 (R+1).*rand(size(R))。由于随机函数
在运行中的收敛性问题的存在并不意味着他们
将在下一次运行中存在。
杯子: 刚度矩阵更新 (数目迭代次数后将
切线刚度矩阵被更新)。杯子 = 1 算法
实行的是全牛顿拉夫逊法。杯子 = Inf 算法
实行的是修改牛顿 (初始刚度)。默认值 4。
epsilon: 容忍 xk 的收敛性和雅可比矩阵的奇异性
(默认 1e-5)
maxtol: 容忍分歧的 xk (默认 1000年) 输出参数
xk: 根的乐趣 (xk) = R
克: 数字迭代 (直到收敛) 的示例:
1) 构建一个功能叫做乐趣 (使一个名为 fun.m 和粘贴文件
在它下面的代码):
函数 [f,J]=fun(x)
%定义一个列向量列向量函数
f1 = (1) x ^2 + x (2) ^2-49 ;
f2 = x(1)*x(2)-24 ;
f = [f1、 f2] ;
%函数雅可比矩阵
J = [2*x(1),2*x(2);
x
matlab
搜索
牛顿法
相关源码推荐
GMSK线性接收机
0
0
暂无评分
NSGA-II算法
0
0
暂无评分
NSGA-III多目标优化算法
0
0
暂无评分
压缩传感示例
0
0
暂无评分
恒虚警检测器示例
0
0
暂无评分
暂无评论