SlideServe
Télécharger Obtenir Pro
Menu
Accueil Pro
Préférences
ApparenceLight Aide et commentaires
© SlideServe · v2026

2.3 共轭斜量法 （ Conjugate Gradient Methods)

ornice avatar
ornice
26 diapositives · 616 Views · Oct 08, 2014

2.3 共轭斜量法 （ Conjugate Gradient Methods). 属于一种迭代法，但如果不考虑计算过程的舍入误差， CG 算法只用有限步就收敛于方程组的精确解. Outline. Background Steepest Descent Conjugate Gradient. 1 Background. The min(max) problem: But we learned in calculus how to solve that kind of question!. “real world” problem.

2.3 共轭斜量法 （ Conjugate Gradient Methods) - slide 1
01 / 262.3 共轭斜量法 （ Conjugate Gradient Methods)
1 / 17

Télécharger la présentation

2.3 共轭斜量法 （ Conjugate Gradient Methods)
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation

  1. 2.3 共轭斜量法（Conjugate Gradient Methods) 属于一种迭代法，但如果不考虑计算过程的舍入误差，CG算法只用有限步就收敛于方程组的精确解

  2. Outline • Background • Steepest Descent • Conjugate Gradient

  3. 1 Background • The min(max) problem: • But we learned in calculus how to solve that kind of question!

  4. “real world” problem • Connectivity shapes (isenburg,gumhold,gotsman) • What do we get only from C without geometry?

  5. Motivation- “real world” problem • First we introduce error functionals and then try to minimize them:

  6. Motivation- “real world” problem • Then we minimize: • High dimension non-linear problem. • Conjugate gradient method is maybe the most popular optimization technique based on what we’ll see here.

  7. Directional Derivatives: first, the one dimension derivative:

  8. Directional Derivatives : Along the Axes…

  9. Directional Derivatives : In general direction…

  10. Directional Derivatives

  11. The Gradient: Definition in In the plane

  12. The Gradient: Definition

  13. 基本思想 • Modern optimization methods • A method to solve quadratic function minimization: (A is symmetric and positive definite)

  14. 2 最速下降法 （Steepest Descent） （1）概念：将 点的修正方向取为该点的负梯度方向 ，即为最速下降方向，该方法进而称之为最速下降法. （2）计算公式：任意取定初始向量，

  15. Steepest Descent

  16. 3 共轭斜量法（Conjugate Gradient） • Modern optimization methods : “conjugate direction” methods. • A method to solve quadratic function minimization: (A is symmetric and positive definite)

  17. Conjugate Gradient • Originally aimed to solve linear problems: • Later extended to general functions under rational of quadratic approximation to a function is quite accurate.

  18. Conjugate Gradient • The basic idea: decompose the n-dimensional quadratic problem into n problems of 1-dimension • This is done by exploring the function in “conjugate directions”. • Definition: A-conjugate vectors:

  19. Conjugate Gradient • If there is an A-conjugate basis then: • N problems in 1-dimension (simple smiling quadratic) • The global minimizer is calculated sequentially starting from x0:

  20. Conjugate Gradient

  21. Gradient Conjugate Gradient

  22. 4 共轭斜量法与最速下降法的比较：