Newton法（牛顿法 Newton Method）

           1、牛顿法应用范围

                         牛顿法主要有两个应用方向：1、目标函数最优化求解。例：已知 f(x)的表达形式， $g(x)=minleft|{f(x)} ight|$ ，求 $ming(x)$ ，及g(x)取最小值时的 x ?，即

                                                          由于||f(x)||通常为误差的二范数，此时这个模型也称为最小二乘模型，即 $min{{f^2}(x)}$ 。

                                                      2、方程的求解（根）。例：求方程的解：g(x) = 0，求 x ？

                    这两个应用方面都主要是针对g(x)为非线性函数的情况。2中，如果g(x)为线性情况下的求解通常使用最小二乘法求解。

                         牛顿法的核心思想是对函数进行泰勒展开。

           2、牛顿法用于方程求解

                    对f(x)进行一阶泰勒公式展开：

                                              $g(x){approx}g({x_k})+g'({x_k})(x-{x_k})$    $(1)$

                    此时，将非线性方程 g(x) = 0 近似为线性方程：

                                              $g({x_k})+g'({x_k})(x-{x_k})=0$    $(2)$

                    若 f’(x) != 0，则下一次迭代解为：

                                              ${x_{k+1}}={x_k}-frac{1}{{g'({x_k})}}g({x_k})$       $(3)$

                    牛顿迭代示意图（因此Newton迭代法也称为切线法）：

          3、牛顿法用于函数最优化求解

                     对f(x)进行二阶泰勒公式展开：

                                            $g(x){approx}g({x_k})+g'({x_k})(x-{x_k})+frac{1}{2}g''({x_k}){(x-{x_k})^2}$     $(4)$

                     此时，将非线性优化问题 min f(x) 近似为为二次函数的最优化求解问题：

                                            $min{g({x_k})+g'({x_k})(x-{x_k})+frac{1}{2}g''({x_k}){(x-{x_k})^2}}$     $(5)$

                     对于（5）式的求解，即二次函数（抛物线函数）求最小值，对（5）式中的函数求导：

                                            $g'({x_k})+g''({x_k})(x-{x_k})=0$     $(6)$

                                            $Rightarrow{x_{k+1}}={x_k}-frac{1}{{g''({x_k})}}g'({x_k})$    $(7)$

                     从本质上来讲，最优化求解问题的迭代形式都是： ${x_{k+1}}={x_k}-kg'({x_k})$ ，

                     其中k为系数， $g'({x_k})$ 为函数的梯度（即函数值上升的方向），那么 $-g'({x_k})$ 为下降的方向，

                     最优化问题的标准形式是：求目标函数最小值，只要每次迭代沿着下降的方向迭代那么将逐渐达到最优，

                     而牛顿将每次迭代的步长定为： $1/g''({x_k})$ 。

            4、补充

                          a、严格来讲，在“3、牛顿法用于函数最优化求解”中对函数二阶泰勒公式展开求最优值的方法称为：Newton法，

                         而在“2、牛顿法用于方程求解”中对函数一阶泰勒展开求零点的方法称为：Guass-Newton（高斯牛顿）法。

                     b、在上面的陈述中，如果x是一个向量，那么公式中：

                         $g'({x_k})(x-{x_k})$ 应该写成： $g'{({x_k})^T}(x-{x_k})$ ， $g'({x_k})$ 为Jacobi(雅克比)矩阵。

                         $g''({x_k})(x-{x_k})$ 应该写成： ${(x-{x_k})^T}g''({x_k})(x-{x_k})$ ， $g''(x-{x_k})$ 为Hessian（海森）矩阵。

                     c、牛顿法的优点是收敛速度快，缺点是在用牛顿法进行最优化求解的时候需要求解Hessian矩阵。

                         因此，如果在目标函数的梯度和Hessian矩阵比较好求的时候应使用Newton法。

                         牛顿法在进行编程实现的时候有可能会失败，具体原因及解决方法见《最优化方法》-张薇东北大学出版社第155页。

           5、Newton法与Guass-Newton法之间的联系

                        对于优化问题 $minleft|{f(x)} ight|$ ，即 $min{{f^2}(x)}$ ，当理论最优值为0时候，这个优化问题就变为了函数求解问题：

                                                              $min{{f^2}(x)}{Rightarrow}{f^2}(x)=0{Rightarrow}f(x)=0$

                          结论：当最优化问题的理论最小值为0时，Newton法求解就可变为Guass-Newton法求解。

                     另外：对f(x)进行二阶泰勒展开：

                                                             $f(x)=f({x_k})+J{x_k}+0.5{x_k^'}H{x_k}$

                          f(x)乘以f(x)的转置并忽略二次以上的项：

                                   ${f^T}(x)f(x)={{f^T}({x_k})+{(J{x_k})^T}+{(0.5{x_k^'}H{x_k})^T}}$

                                                      $*{f({x_k})+J{x_k}+0.5{x_k^'}H{x_k}}$

                                                    ${ m{=}}{f^T}({x_k})f({x_k})+2f({x_k})J{x_k}+x_k^T{J^T}J{x_k}+f({x_k})x_k^TH{x_k}$

                                                    $={f^T}({x_k})f({x_k})+2f({x_k})J{x_k}+x_k^T({J^T}J+f({x_k})H){x_k}$

                     因此，当 ${x_k}$ 在最优解附近时，即满足 $f({x_k})=0$ ，此时可认为： $H={J^T}J$

            6、扩展阅读

                        a、修正牛顿(Newton)法

                    b、共轭方向法与共轭梯度法

                    c、拟牛顿法（避免求解Hessian矩阵）：DFP算法、BFGS算法

自己所有博客汇总

相关阅读:
hdu-美素数
codeforces-Jeff and Periods
codeforces-Domino
UVA10878
UVA537
UVA10815
c语言中的qsort函数（转）
Loadrunner进行性能测试的步骤
LoadRunner打开WebTours只显示头部解决办法
性能测试的基本概念

原文地址：https://www.cnblogs.com/monoSLAM/p/5246665.html