迭代算法的收敛性
来源:互联网 发布:2016国家政策 云计算 编辑:程序博客网 时间:2024/06/02 23:57
两次迭代绝对误差
可行域内:∥Xk+1−Xk∥≤ϵ1; 函数阈值:∥f(Xk+1−f(Xk)∥≤ϵ2. 两次迭代相对误差
可行域内:∥Xk+1−Xk∥∥Xk∥≤ϵ1 函数阈值:∥f(Xk+1−f(Xk)∥f(Xk)≤ϵ2. 梯度模足够小
∥Δf(Xk+1)∥≤ϵ 注:以上ϵi为预先给定的充分小正数,对于定义域上的凸函数,梯度模足够小的终止条件是完全正确的,但是如果是非凸函数,则可能导致误把驻点当作最优点。
2.收敛速度
满足前面迭代终止条件的算法,称为实用收敛性算法,与之对应的还有一类理论收敛性算法。此外,判断算法的好坏,一看是否收敛,而看收敛速度。如果算法产生的迭代序列虽然收敛到最优解,但收敛速度太慢,以致在允许的时间内得不到满意结果,那么这类算法也谈不上好算法。能以较快速度收敛于最优解的算法,才是好算法。
- 当
β=0时,称{XK}具体超线性收敛速度或算法A为超线性收敛; - 当
0<β<1时,称{Xk}具有线性收敛速度,或算法A为线性收敛; - 当
β=1时,称{Xk}具有次线性收敛速度或算法A为次线性收敛。
需要说明的是,说一个算法是线性收敛的,是指算法产生的跌打序列在最坏的情况下是线性收敛的,收敛性和收敛速度的理论结果并不一定保证在实际运用时一定有好的计算过程和结果,原因是,一方面,理论分析忽略了计算过程中一些环节的影响,比如数值舍入精度;另一方面,理论分析通常要对函数加一些不容易验证的特殊限定,而这些限定在实际中不一定能得到满足。
0 0
- 迭代算法的收敛性
- 为什么研究算法的收敛性
- EM算法收敛性的推导
- 再论EM算法的收敛性和K-Means的收敛性
- EM算法收敛性的相关资料
- 梯度下降算法收敛性
- BBR算法及其收敛性
- EM算法(算法原理+算法收敛性)
- 肯普纳级数收敛性的证明
- 从TCP拥塞本质看BBR算法及其收敛性(附CUBIC的改进/NCL机制)
- 线性方程组的古典迭代算法
- 信道容量的迭代算法实现
- 迭代算法的一般思路
- 二叉树遍历的迭代算法
- 二叉树遍历的迭代算法
- 关于开方的迭代算法
- 归并排序的迭代算法
- 迭代算法的经典案例
- objective-c 编程基础(七 块)
- “爱运动管理系统”诞生记(10)
- VC编程经验汇总(一)
- UITableView代理cellForRowAtIndexPath不执行的相关解决方案
- 嵌套矩形问题
- 迭代算法的收敛性
- 【分享】传颂之物1+2虚伪的面具 序章【汉化硬盘版】[全CG存档&攻略+英化补丁]
- java多线程系列02
- Python3 Pickle报错 TypeError
- C++的iostream标准库介绍
- 华为机试题--3.明明的随机数
- VC编程经验汇总(二)
- 关于View和viewGroup的绘制方法mearsure(),layout(),draw()
- WPF学习——MVVM