1. 第一章 概论

1.1. 评价函数

• 对于无约束，越是迭代，评价函数下降即可
• 有约束，就得加上限制：是可行点

1.2. 收敛

若不可能有限步找到最优解，就要顾及到收敛速度

$$e_k=x_k-x^*\\ \lim _{k \rightarrow \infty} \frac {||e_{k+1}||}{||e_k||}=C$$

这叫以$C$为因子$r$阶收敛于$x^*$。

• 线性收敛：$||e_{k+1}||\leq C||e_k||$
• 超线性收敛：比前者快，多数如此。

$$\lim _{k \rightarrow \infty} \frac {||e_{k+1}||}{||e_k||^n}=C\\ \lim _{k \rightarrow \infty} \frac {||e_{k+1}||}{||e_k||}=C \times \lim _{k \rightarrow \infty} {||e_k||}^{n-1}$$

1. local minimun $\Longrightarrow \nabla f(x)=0, \nabla ^2 f(x) \geq 0$
2. $\nabla f(x)=\nabla ^2 f(x)\Longrightarrow$ local minimum ,eg. $y=x^3$

1.3. 迭代下降优化算法

寻找一个搜索方向$d_k$使得每次迭代时函数值减小。

首先选取初始点$x0$，
loop until $x_{k+1}$满足终止条件：

• 构造搜索方向$d_k$
• 根据 $d\_k$ 确定步长 $\lambda \_k$

• $x_{k+1}=x_k+\lambda_k d_k$

  需要考虑的问题：

• 往哪个方向走？$d\_{k}$

• 走多远？$\lambda_k$
• 能找到$x_*$吗？
• 多快能找到？

下面从典型的无优化约束算法开始：