无约束优化问题的基本算法 1.最速下降法(共轭梯度法)算法步骤: (1)给定初始点X0∈R”,允许误差E>0,令k=0 2)计算V/(x (3)检验是否满足收敛性的判别准则: lvf(* s 若满足,则停止迭代,得点X*≈X,否则进行 ()令S4=V(x),从x出发,沿S进行一维搜索, 即求,使得:mm(x4+4)=(x4+2S A≥0 (5)令X=Xk+4S,kk+1返回(2 最速下降法是一种最基本的算法,它在最优化方法中占有重要地位.最 速下降法的优点是工作量小,存储变量较少,初始点要求不高;缺点是收敛 慢,最速下降法适用于寻优过程的前期迭代或作为间插步骤,当接近极值 点时,宜选用别种收敛快的算法⑴ 给定初始点 0 R n X  ，允许误差  0,令 k=0； ⑵ 计算 ( ) k f X ； ⑶ 检验是否满足收敛性的判别准则：  ( )   k f X ， 若满足，则停止迭代，得点 k X  X * ，否则进行⑷； ⑷ 令 ( ) k k S = −f X ，从 k X 出发，沿 k S 进行一维搜索， 即求k ,使得： ( ) ( ) k k k k k f X S f X  S  + = + 0 min ； ⑸ 令 k k k k X = X +  S +1 ，k=k+1 返回⑵. 无约束优化问题的基本算法 最速下降法是一种最基本的算法，它在最优化方法中占有重要地位.最 速下降法的优点是工作量小，存储变量较少,初始点要求不高；缺点是收敛 慢，最速下降法适用于寻优过程的前期迭代或作为间插步骤，当接近极值 点时，宜选用别种收敛快的算法. 1．最速下降法（共轭梯度法）算法步骤：