非线性优化的问题# Computation - 科学计算
s*h
1 楼
x=[x1,x2,...,xn]
min g(x)
st. f1(x)=0
f2(x)=0
...
fm(x)=0
传统算法是Least Square加Gauss-Newton法迭代作.
但当x维数很大的时候,收敛性有一些问题.
但是我的问题有一个特殊之处:
迭代计算,
每次将f(x)从nonlinear方程变成linear方程,h(x).
h(x)和f(x)关系类似h(x)=f(x)/x
这样每次就可以用Least Square解线性方程算出x.
每次再重新迭代.
我发现有趣的是收敛性能更好了.
但是迭代步数增加了.
我感觉有点象Gaussian-Siedel和Newton-Raphson解非线性方程.
前者收敛性能好像好一点,主要对初值要求不高,但收敛步数的确比Newton-Raphson多.
当然,二个算法都没保证一定会收敛.
min g(x)
st. f1(x)=0
f2(x)=0
...
fm(x)=0
传统算法是Least Square加Gauss-Newton法迭代作.
但当x维数很大的时候,收敛性有一些问题.
但是我的问题有一个特殊之处:
迭代计算,
每次将f(x)从nonlinear方程变成linear方程,h(x).
h(x)和f(x)关系类似h(x)=f(x)/x
这样每次就可以用Least Square解线性方程算出x.
每次再重新迭代.
我发现有趣的是收敛性能更好了.
但是迭代步数增加了.
我感觉有点象Gaussian-Siedel和Newton-Raphson解非线性方程.
前者收敛性能好像好一点,主要对初值要求不高,但收敛步数的确比Newton-Raphson多.
当然,二个算法都没保证一定会收敛.