罗荣桂
. 1985, (2):
193-199.
摘要 (
)
PDF
(
)
可视化
 
文献[1]中指出,从任一初始点X_0出发,若将最速下降算法用于正定Hessian矩阵G的二次目标函数 f(X)=(1/2)X~rGX.则其生成的点列{X_k}满足或 本文在[1]的同样假设下,证明了形式不同但收敛阶数相同的下述两个结果: 1).f(X_(k+1))=0(θ~(k+1). 2).‖X_(k+1)‖=0(θ~2)其中0<θ<1。即本文证明了下述两个重要的命题: 1).若将最速下降算法(以下简称SD算法)用于正定二次目标函数,则从任一初始点X_0出发进行迭代,其所得点列{X_k},当k≥0时,有 其中,λ_1和λ_n分别为f(X)的对称正定矩阵G的最小和最大特征值。 2).若将SD算法用于正定二次目标函数,则从任意初始点X_0出发进行迭代,所得点列{X_k},当k≥0时,有