几种常用最优化方法
来自： 更新日期：早些时候
~
学习和工作中遇到的大多问题都可以建模成一种最优化模型进行求解，比如我们现在学习的机器学习算法，大部分的机器学习算法的本质都是建立优化模型，通过最优化方法对目标函数（或损失函数）进行优化，从而训练出最好的模型。常见的优化方法(optimization)有梯度下降法、牛顿法和拟牛顿法、共轭梯度法等等。
1. 梯度下降法（Gradient Descent）
梯度下降法是最早最简单，也是最为常用的最优化方法。梯度下降法实现简单，当目标函数是凸函数时，梯度下降法的解是全局解。一般情况下，其解不保证是全局最优解，梯度下降法的速度也未必是最快的。 梯度下降法的优化思想是用当前位置负梯度方向作为搜索方向，因为该方向为当前位置的最快下降方向，所以也被称为是”最速下降法“。最速下降法越接近目标值，步长越小，前进越慢。
梯度下降 法的缺点：
（1）靠近极小值时收敛速度减慢;
（2）直线搜索时可能会产生一些问题；
（3）可能会“之字形”地下降。
在机器学习中，基于基本的梯度下降法发展了两种梯度下降方法，分别为随机梯度下降法和批量梯度下降法。
比如对一个线性回归（Linear Logistics）模型，假设下面的h(x)是要拟合的函数，J( )为损失函数， 是参数，要迭代求解的值，求解出来了那最终要拟合的函数h( )就出来了。其中m是训练集的样本个数，n是特征的个数。
1）批量梯度下降法（Batch Gradient Descent，BGD）
（1）将J( )对 求偏导，得到每个theta对应的的梯度：
(2）由于是要最小化风险函数，所以按每个参数 的梯度负方向，来更新每个 ：
（3）从上面公式可以注意到，它得到的是一个全局最优解，但是每迭代一步，都要用到训练集所有的数据，如果m很大，那么可想而知这种方法的迭代速度会相当的慢。所以，这就引入了另外一种方法——随机梯度下降。
对于批量梯度下降法，样本个数m，x为n维向量，一次迭代需要把m个样本全部带入计算，迭代一次计算量为m*n2。
2）随机梯度下降（Stochastic Gradient Descent，SGD）
（1）上面的风险函数可以写成如下这种形式，损失函数对应的是训练集中每个样本的粒度，而上面批量梯度下降对应的是所有的训练样本：
（2）每个样本的损失函数，对 求偏导得到对应梯度，来更新 ：
（3）随机梯度下降是通过每个样本来迭代更新一次，如果样本量很大的情况（例如几十万），那么可能只用其中几万条或者几千条的样本，就已经将
迭代到最优解了，对比上面的批量梯度下降，迭代一次需要用到十几万训练样本，一次迭代不可能最优，如果迭代10次的话就需要遍历训练样本10次。但是，SGD伴随的一个问题是噪音较BGD要多，使得SGD并不是每次迭代都向着整体最优化方向。
随机梯度下降每次迭代只使用一个样本，迭代一次计算量为n2，当样本个数m很大的时候，随机梯度下降迭代一次的速度要远高于批量梯度下降方法。 两者的关系可以这样理解：随机梯度下降方法以损失很小的一部分精确度和增加一定数量的迭代次数为代价，换取了总体的优化效率的提升。增加的迭代次数远远小于样本的数量。
对批量梯度下降法和随机梯度下降法的总结：
批量梯度下降---最小化所有训练样本的损失函数，使得最终求解的是全局的最优解，即求解的参数是使得风险函数最小，但是对于大规模样本问题效率低下。
随机梯度下降---最小化每条样本的损失函数，虽然不是每次迭代得到的损失函数都向着全局最优方向， 但是大的整体的方向是向全局最优解的，最终的结果往往是在全局最优解附近，适用于大规模训练样本情况。
2. 牛顿法和拟牛顿法（Newton's method & Quasi-Newton Methods）
1）牛顿法（Newton's method）
牛顿法是一种在实数域和复数域上近似求解方程的方法。方法使用函数 f ( x )的泰勒级数的前面几项来寻找方程 f ( x ) = 0的根。牛顿法最大的特点就在于它的收敛速度很快。
具体步骤：
首先，选择一个接近函数 f ( x )零点的x0，计算相应的 f ( x 0)和切线斜率 f ' ( x 0)（这里 f ' 表示函数 f 的导数）。然后我们计算穿过点( x 0, f ( x 0))并且斜率为 f '( x 0)的直线和 x 轴的交点的 x 坐标，也就是求如下方程的解：
我们将新求得的点的 x 坐标命名为 x 1，通常 x 1会比 x 0更接近方程 f ( x ) = 0的解。因此我们现在可以利用 x 1开始下一轮迭代。迭代公式可化简为如下所示：
已经证明，如果 f '是连续的，并且待求的零点 x 是孤立的，那么在零点 x 周围存在一个区域，只要初始值 x 0位于这个邻近区域内，那么牛顿法必定收敛。 并且，如果 f ' ( x )不为0, 那么牛顿法将具有平方收敛的性能. 粗略的说，这意味着每迭代一次，牛顿法结果的有效数字将增加一倍。下图为一个牛顿法执行过程的例子。
由于牛顿法是基于当前位置的切线来确定下一次的位置，所以牛顿法又被很形象地称为是"切线法"。
关于牛顿法和梯度下降法的效率对比：
从本质上去看，牛顿法是二阶收敛，梯度下降是一阶收敛，所以牛顿法就更快。如果更通俗地说的话，比如你想找一条最短的路径走到一个盆地的最底部，梯度下降法每次只从你当前所处位置选一个坡度最大的方向走一步，牛顿法在选择方向时，不仅会考虑坡度是否够大，还会考虑你走了一步之后，坡度是否会变得更大。所以，可以说牛顿法比梯度下降法看得更远一点，能更快地走到最底部。（牛顿法目光更加长远，所以少走弯路；相对而言，梯度下降法只考虑了局部的最优，没有全局思想。）
根据wiki上的解释，从几何上说，牛顿法就是用一个二次曲面去拟合你当前所处位置的局部曲面，而梯度下降法是用一个平面去拟合当前的局部曲面，通常情况下，二次曲面的拟合会比平面更好，所以牛顿法选择的下降路径会更符合真实的最优下降路径。
注：红色的牛顿法的迭代路径，绿色的是梯度下降法的迭代路径。
牛顿法的优缺点总结：
优点：二阶收敛，收敛速度快；
缺点：牛顿法是一种迭代算法，每一步都需要求解目标函数的Hessian矩阵的逆矩阵，计算比较复杂。
2）拟牛顿法（Quasi-Newton Methods）
拟牛顿法是求解非线性优化问题最有效的方法之一，于20世纪50年代由美国Argonne国家实验室的物理学家W.C.Davidon所提出来。Davidon设计的这种算法在当时看来是非线性优化领域最具创造性的发明之一。不久R. Fletcher和M. J. D. Powell证实了这种新的算法远比其他方法快速和可靠，使得非线性优化这门学科在一夜之间突飞猛进。
拟牛顿法的本质思想是改善牛顿法每次需要求解复杂的Hessian矩阵的逆矩阵的缺陷，它使用正定矩阵来近似Hessian矩阵的逆，从而简化了运算的复杂度。 拟牛顿法和最速下降法一样只要求每一步迭代时知道目标函数的梯度。通过测量梯度的变化，构造一个目标函数的模型使之足以产生超线性收敛性。这类方法大大优于最速下降法，尤其对于困难的问题。另外，因为拟牛顿法不需要二阶导数的信息，所以有时比牛顿法更为有效。如今，优化软件中包含了大量的拟牛顿算法用来解决无约束，约束，和大规模的优化问题。
具体步骤：
拟牛顿法的基本思想如下。首先构造目标函数在当前迭代xk的二次模型：
这里Bk是一个对称正定矩阵，于是我们取这个二次模型的最优解作为搜索方向，并且得到新的迭代点：
其中我们要求步长ak 满足Wolfe条件。这样的迭代与牛顿法类似，区别就在于用近似的Hesse矩阵Bk 代替真实的Hesse矩阵。所以拟牛顿法最关键的地方就是每一步迭代中矩阵Bk的更新。现在假设得到一个新的迭代xk+1，并得到一个新的二次模型：
我们尽可能地利用上一步的信息来选取Bk。具体地，我们要求
从而得到
这个公式被称为割线方程。常用的拟牛顿法有DFP算法和BFGS算法。
原文链接： [Math] 常见的几种最优化方法 - Poll的笔记 - 博客园
几种常用最优化方法视频
相关评论：17725497641：最优化方法
水仲冉最优化方法（也称做运筹学方法）是近几十年形成的，它主要运用数学方法研究各种系统的优化途径及方案，为决策者提供科学决策的依据。最优化方法的主要研究对象是各种有组织系统的管理问题及其生产经营活动。最优化方法的目的在于针对所研究的系统，求得一个合理运用人力、物力和财力的最佳方案，发挥和提高系统...
17725497641：最优化理论与方法
水仲冉本书系统地介绍了在机械工程学科中常用的最优化理论与方法，分为线性规划与整数规划、非线性规划、智能优化方法、变分法与动态规划4个篇次，共15章。第1篇包含最优化基本要素、线性规划和整数规划。在介绍优化变量、目标函数、约束条件和数学建模等最优化的基本内容后，讨论了线性规划求解基本原理和最常用...
17725497641：什么是优选法和统筹法?
水仲冉优选法和统筹法都是科学管理中常用的方法，旨在提高工作效率和优化资源配置。优选法是一种寻求最优方案的方法，通过系统地分析多个可能的解决方案，并选择最佳的一个。它的核心思想是在多个可能的选项中找到最优的决策，通常用于工程设计、经济分析、生产管理等领域。例如，在产品设计过程中，可以使用优选法...
17725497641：运筹学中最常用的方法有哪些?
水仲冉运筹学是研究决策问题的一门学科，它主要使用数学模型和定量分析方法来解决实际问题。在运筹学中，有许多常用的方法，包括线性规划、整数规划、非线性规划、动态规划、图论、网络优化等。线性规划是一种最优化技术，它的目标是在一组线性约束条件下，找到一个最优解。线性规划可以用来解决许多实际问题，如...
17725497641：最值问题的常用解法
水仲冉数值积分、蒙特卡洛法等，通过计算逼近最值的解。在实际应用中，针对不同的函数形式和问题特点，常用的解法可能会有所不同。综合运用上述方法，根据具体问题的特点选择合适的方法进行求解，有时也需要结合多种方法来验证和确认最值点。通过深入理解数学原理和方法，能够更准确、更高效地解决各类最值问题。
17725497641：常用优化器算法归纳介绍
水仲冉优化器是神经网络训练过程中,进行梯度下降以寻找最优解的优化方法。不同方法通过不同方式(如附加动量项,学习率自适应变化等)侧重于解决不同的问题,但最终大都是为了加快训练速度。 这里就介绍几种常见的优化器,包括其原理、数学公式、核心思想及其性能; 核心思想: 即针对每次输入的训练数据,计算输出预测与真值的Loss...
17725497641：非线性规划无约束最优化方法
水仲冉非线性规划无约束最优化方法是一种寻找在n维实函数f在整个向量空间Rn中达到最优值点的策略。尽管实际应用中的规划问题多数带有约束，但许多情况下，可以通过将有约束问题分解为多个无约束问题来求解，从而简化优化过程。这类最优化方法主要依赖于逐次一维搜索的迭代算法，可以大致分为解析法和直接法两类。
17725497641：线性规则的方法
水仲冉常用的一维最优化方法有黄金分割法、切线法和插值法。① 黄金分割法又称 0.618法。它适用于单峰函数。其基本思想是：在初始寻查区间中设计一列点，通过逐次比较其函数值，逐步缩小寻查区间，以得出近似最优值点。② 切线法又称牛顿法。它也是针对单峰函数的。其基本思想是：在一个猜测点附近将目标...
17725497641：优选法如何得到分析法和目标函数
水仲冉目标函数解释 目标函数是优选法中的关键概念。它是一个数学公式，表达了问题中所要求解的最优化目标。通常情况下，目标函数可以包含一些决策变量和约束条件，以及目标值和权重等信息。根据问题的不同，目标函数可以是线性或非线性的，单目标或多目标的等等。在研究目标函数时，需要充分考虑问题的实际意义和...
17725497641：解决经济分析的最优化问题的基本步骤是什么?
水仲冉有约束条件的最优化包括一个或几个货币、时间、生产能力或其他方面的限制,当存在不等式约束条件时,可以采用线性规划。大多数情况下,管理者知道某些约束是连在一起的,即它们是同样的约束条件,可以采用拉格朗日乘数法解决这些问题。从数学上比较一般的观点来看,所谓最优化问题可以概括为一种数学模型:结合一个...
1. 梯度下降法（Gradient Descent）
梯度下降法是最早最简单，也是最为常用的最优化方法。梯度下降法实现简单，当目标函数是凸函数时，梯度下降法的解是全局解。一般情况下，其解不保证是全局最优解，梯度下降法的速度也未必是最快的。 梯度下降法的优化思想是用当前位置负梯度方向作为搜索方向，因为该方向为当前位置的最快下降方向，所以也被称为是”最速下降法“。最速下降法越接近目标值，步长越小，前进越慢。
梯度下降 法的缺点：
（1）靠近极小值时收敛速度减慢;
（2）直线搜索时可能会产生一些问题；
（3）可能会“之字形”地下降。
在机器学习中，基于基本的梯度下降法发展了两种梯度下降方法，分别为随机梯度下降法和批量梯度下降法。
比如对一个线性回归（Linear Logistics）模型，假设下面的h(x)是要拟合的函数，J( )为损失函数， 是参数，要迭代求解的值，求解出来了那最终要拟合的函数h( )就出来了。其中m是训练集的样本个数，n是特征的个数。
1）批量梯度下降法（Batch Gradient Descent，BGD）
（1）将J( )对 求偏导，得到每个theta对应的的梯度：
(2）由于是要最小化风险函数，所以按每个参数 的梯度负方向，来更新每个 ：
（3）从上面公式可以注意到，它得到的是一个全局最优解，但是每迭代一步，都要用到训练集所有的数据，如果m很大，那么可想而知这种方法的迭代速度会相当的慢。所以，这就引入了另外一种方法——随机梯度下降。
对于批量梯度下降法，样本个数m，x为n维向量，一次迭代需要把m个样本全部带入计算，迭代一次计算量为m*n2。
2）随机梯度下降（Stochastic Gradient Descent，SGD）
（1）上面的风险函数可以写成如下这种形式，损失函数对应的是训练集中每个样本的粒度，而上面批量梯度下降对应的是所有的训练样本：
（2）每个样本的损失函数，对 求偏导得到对应梯度，来更新 ：
（3）随机梯度下降是通过每个样本来迭代更新一次，如果样本量很大的情况（例如几十万），那么可能只用其中几万条或者几千条的样本，就已经将
迭代到最优解了，对比上面的批量梯度下降，迭代一次需要用到十几万训练样本，一次迭代不可能最优，如果迭代10次的话就需要遍历训练样本10次。但是，SGD伴随的一个问题是噪音较BGD要多，使得SGD并不是每次迭代都向着整体最优化方向。
随机梯度下降每次迭代只使用一个样本，迭代一次计算量为n2，当样本个数m很大的时候，随机梯度下降迭代一次的速度要远高于批量梯度下降方法。 两者的关系可以这样理解：随机梯度下降方法以损失很小的一部分精确度和增加一定数量的迭代次数为代价，换取了总体的优化效率的提升。增加的迭代次数远远小于样本的数量。
对批量梯度下降法和随机梯度下降法的总结：
批量梯度下降---最小化所有训练样本的损失函数，使得最终求解的是全局的最优解，即求解的参数是使得风险函数最小，但是对于大规模样本问题效率低下。
随机梯度下降---最小化每条样本的损失函数，虽然不是每次迭代得到的损失函数都向着全局最优方向， 但是大的整体的方向是向全局最优解的，最终的结果往往是在全局最优解附近，适用于大规模训练样本情况。
2. 牛顿法和拟牛顿法（Newton's method & Quasi-Newton Methods）
1）牛顿法（Newton's method）
牛顿法是一种在实数域和复数域上近似求解方程的方法。方法使用函数 f ( x )的泰勒级数的前面几项来寻找方程 f ( x ) = 0的根。牛顿法最大的特点就在于它的收敛速度很快。
具体步骤：
首先，选择一个接近函数 f ( x )零点的x0，计算相应的 f ( x 0)和切线斜率 f ' ( x 0)（这里 f ' 表示函数 f 的导数）。然后我们计算穿过点( x 0, f ( x 0))并且斜率为 f '( x 0)的直线和 x 轴的交点的 x 坐标，也就是求如下方程的解：
我们将新求得的点的 x 坐标命名为 x 1，通常 x 1会比 x 0更接近方程 f ( x ) = 0的解。因此我们现在可以利用 x 1开始下一轮迭代。迭代公式可化简为如下所示：
已经证明，如果 f '是连续的，并且待求的零点 x 是孤立的，那么在零点 x 周围存在一个区域，只要初始值 x 0位于这个邻近区域内，那么牛顿法必定收敛。 并且，如果 f ' ( x )不为0, 那么牛顿法将具有平方收敛的性能. 粗略的说，这意味着每迭代一次，牛顿法结果的有效数字将增加一倍。下图为一个牛顿法执行过程的例子。
由于牛顿法是基于当前位置的切线来确定下一次的位置，所以牛顿法又被很形象地称为是"切线法"。
关于牛顿法和梯度下降法的效率对比：
从本质上去看，牛顿法是二阶收敛，梯度下降是一阶收敛，所以牛顿法就更快。如果更通俗地说的话，比如你想找一条最短的路径走到一个盆地的最底部，梯度下降法每次只从你当前所处位置选一个坡度最大的方向走一步，牛顿法在选择方向时，不仅会考虑坡度是否够大，还会考虑你走了一步之后，坡度是否会变得更大。所以，可以说牛顿法比梯度下降法看得更远一点，能更快地走到最底部。（牛顿法目光更加长远，所以少走弯路；相对而言，梯度下降法只考虑了局部的最优，没有全局思想。）
根据wiki上的解释，从几何上说，牛顿法就是用一个二次曲面去拟合你当前所处位置的局部曲面，而梯度下降法是用一个平面去拟合当前的局部曲面，通常情况下，二次曲面的拟合会比平面更好，所以牛顿法选择的下降路径会更符合真实的最优下降路径。
注：红色的牛顿法的迭代路径，绿色的是梯度下降法的迭代路径。
牛顿法的优缺点总结：
优点：二阶收敛，收敛速度快；
缺点：牛顿法是一种迭代算法，每一步都需要求解目标函数的Hessian矩阵的逆矩阵，计算比较复杂。
2）拟牛顿法（Quasi-Newton Methods）
拟牛顿法是求解非线性优化问题最有效的方法之一，于20世纪50年代由美国Argonne国家实验室的物理学家W.C.Davidon所提出来。Davidon设计的这种算法在当时看来是非线性优化领域最具创造性的发明之一。不久R. Fletcher和M. J. D. Powell证实了这种新的算法远比其他方法快速和可靠，使得非线性优化这门学科在一夜之间突飞猛进。
拟牛顿法的本质思想是改善牛顿法每次需要求解复杂的Hessian矩阵的逆矩阵的缺陷，它使用正定矩阵来近似Hessian矩阵的逆，从而简化了运算的复杂度。 拟牛顿法和最速下降法一样只要求每一步迭代时知道目标函数的梯度。通过测量梯度的变化，构造一个目标函数的模型使之足以产生超线性收敛性。这类方法大大优于最速下降法，尤其对于困难的问题。另外，因为拟牛顿法不需要二阶导数的信息，所以有时比牛顿法更为有效。如今，优化软件中包含了大量的拟牛顿算法用来解决无约束，约束，和大规模的优化问题。
具体步骤：
拟牛顿法的基本思想如下。首先构造目标函数在当前迭代xk的二次模型：
这里Bk是一个对称正定矩阵，于是我们取这个二次模型的最优解作为搜索方向，并且得到新的迭代点：
其中我们要求步长ak 满足Wolfe条件。这样的迭代与牛顿法类似，区别就在于用近似的Hesse矩阵Bk 代替真实的Hesse矩阵。所以拟牛顿法最关键的地方就是每一步迭代中矩阵Bk的更新。现在假设得到一个新的迭代xk+1，并得到一个新的二次模型：
我们尽可能地利用上一步的信息来选取Bk。具体地，我们要求
从而得到
这个公式被称为割线方程。常用的拟牛顿法有DFP算法和BFGS算法。
原文链接： [Math] 常见的几种最优化方法 - Poll的笔记 - 博客园
几种常用最优化方法视频
相关评论：
水仲冉最优化方法（也称做运筹学方法）是近几十年形成的，它主要运用数学方法研究各种系统的优化途径及方案，为决策者提供科学决策的依据。最优化方法的主要研究对象是各种有组织系统的管理问题及其生产经营活动。最优化方法的目的在于针对所研究的系统，求得一个合理运用人力、物力和财力的最佳方案，发挥和提高系统...
水仲冉本书系统地介绍了在机械工程学科中常用的最优化理论与方法，分为线性规划与整数规划、非线性规划、智能优化方法、变分法与动态规划4个篇次，共15章。第1篇包含最优化基本要素、线性规划和整数规划。在介绍优化变量、目标函数、约束条件和数学建模等最优化的基本内容后，讨论了线性规划求解基本原理和最常用...
水仲冉优选法和统筹法都是科学管理中常用的方法，旨在提高工作效率和优化资源配置。优选法是一种寻求最优方案的方法，通过系统地分析多个可能的解决方案，并选择最佳的一个。它的核心思想是在多个可能的选项中找到最优的决策，通常用于工程设计、经济分析、生产管理等领域。例如，在产品设计过程中，可以使用优选法...
水仲冉运筹学是研究决策问题的一门学科，它主要使用数学模型和定量分析方法来解决实际问题。在运筹学中，有许多常用的方法，包括线性规划、整数规划、非线性规划、动态规划、图论、网络优化等。线性规划是一种最优化技术，它的目标是在一组线性约束条件下，找到一个最优解。线性规划可以用来解决许多实际问题，如...
水仲冉数值积分、蒙特卡洛法等，通过计算逼近最值的解。在实际应用中，针对不同的函数形式和问题特点，常用的解法可能会有所不同。综合运用上述方法，根据具体问题的特点选择合适的方法进行求解，有时也需要结合多种方法来验证和确认最值点。通过深入理解数学原理和方法，能够更准确、更高效地解决各类最值问题。
水仲冉优化器是神经网络训练过程中,进行梯度下降以寻找最优解的优化方法。不同方法通过不同方式(如附加动量项,学习率自适应变化等)侧重于解决不同的问题,但最终大都是为了加快训练速度。 这里就介绍几种常见的优化器,包括其原理、数学公式、核心思想及其性能; 核心思想: 即针对每次输入的训练数据,计算输出预测与真值的Loss...
水仲冉非线性规划无约束最优化方法是一种寻找在n维实函数f在整个向量空间Rn中达到最优值点的策略。尽管实际应用中的规划问题多数带有约束，但许多情况下，可以通过将有约束问题分解为多个无约束问题来求解，从而简化优化过程。这类最优化方法主要依赖于逐次一维搜索的迭代算法，可以大致分为解析法和直接法两类。
水仲冉常用的一维最优化方法有黄金分割法、切线法和插值法。① 黄金分割法又称 0.618法。它适用于单峰函数。其基本思想是：在初始寻查区间中设计一列点，通过逐次比较其函数值，逐步缩小寻查区间，以得出近似最优值点。② 切线法又称牛顿法。它也是针对单峰函数的。其基本思想是：在一个猜测点附近将目标...
水仲冉目标函数解释 目标函数是优选法中的关键概念。它是一个数学公式，表达了问题中所要求解的最优化目标。通常情况下，目标函数可以包含一些决策变量和约束条件，以及目标值和权重等信息。根据问题的不同，目标函数可以是线性或非线性的，单目标或多目标的等等。在研究目标函数时，需要充分考虑问题的实际意义和...
水仲冉有约束条件的最优化包括一个或几个货币、时间、生产能力或其他方面的限制,当存在不等式约束条件时,可以采用线性规划。大多数情况下,管理者知道某些约束是连在一起的,即它们是同样的约束条件,可以采用拉格朗日乘数法解决这些问题。从数学上比较一般的观点来看,所谓最优化问题可以概括为一种数学模型:结合一个...
