工程优化方法中的“最速下降法”和“DFP拟牛顿法”的 C 语言实现

这个小程序是研一上学期的“工程优化”课程的大作业。其实这题本可以用 MATLAB 实现，但是我为了锻炼自己薄弱的编码能力，改为用 C 语言实现。这样，就得自己实现矩阵的运算（加减乘除、求逆、拷贝）；难点是求偏导，通过查资料，发现可以通过导数定义，即取极限的方法，来逐步逼近求得梯度；另外，没法做到输入任意公式，只能将公式硬编码为函数，而求导函数需要传入公式，就直接传入函数指针了。思考、编码、调试、测试共耗费两周左右时间，完成于 2013/01/10。虽然为了认真做这个大作业而耽误了期末考试的复习，但我不后悔做出的选择，因为我学到了我觉得真正有用的东西。

源码托管在 Github 上：点此打开链接

以下为完整的作业报告：

一、题目

用最速下降法和DFP拟牛顿法求解以下函数的最小值点以及最小值：

1.1 ，其中，，，

1.2 ，其中，，，

二、算法

2.1最速下降法（steepest descent method）

算法步骤：

（1）取初始点，精度,令；

（2）计算,若,则停，；否则转（3）；

（3）一维搜索：，

令,转（2）。

2.2拟牛顿法（DFP）

算法步骤：

（1）取初始点，允许误差；

（2）求，若，令，算法停止；否则转（3）；

（3）令；

（4）令；

（5）求：，令；

（6）求，若，令，算法停止；否则转（6）；

（7）若，则令，，转（3）；

否则令，，

计算；

令，转（4）。

2.3成功—失败法（用于一维搜索）

算法步骤：

（1）取初始点，初始步长和精度,计算；

（2）计算；

（3）若（搜索成功），令；

若（搜索失败），若，令，停止迭代；

否者，令，转（2）；

三、语言及算法实现说明

3.1算法实现语言及平台：

C语言+VC6.0（Debug模式）。

3.2几个部分的思考：

（1）由于实现实时输入函数多项式比较困难，本程序将函数多项式写成模块，存入程序文件中，由于程序使用函数指针，故可以陆续添加函数多项式而不必修改核心算法的代码；

（2）由于函数不同，取值范围不同，则算法需要不同的精度和步长，才能求得精确的结果，故本程序提供接口让用户指定；

（3）为了实现实时输入变量维度，本程序使用动态内存分配，建立多维数组，模拟矩阵，用于存储多维变量；

3.3算法实现的重难点分析：

（1）偏导数的求解：本程序使用偏导数的定义，即极限方法，求解指定点的函数值；

（2）DFP算法中的计算：本程序用多维数组来模拟矩阵进行运算。

四、程序中的主要模块说明（完整程序及注释见附录）

4.1待求解的两个函数：

其中vars为多维变量，n代表维度，这两个模块返回函数在指定点的值。

/* 求函数1在指定点的值 */

double fun1(double **vars, int n)；

/* 求函数2在指定点的值 */

double fun2(double **vars, int n)；

4.2利用偏导的定义求某个点的偏导数：

其中f为指定函数，vars为多维变量，grads为梯度，n为维度，prec为用户指定的精度；该模块求出函数的偏导存入矩阵grads中。

/* 用极限方法求指定点的偏导/梯度 */

void differ(double (*f)(double **vars, int n), double **vars, double **grads, int n, double prec)；

4.3成功—失败法，用于一维搜索：

其中f代表指定函数，vars为多维变量，d为二维搜索的方向，n为维度，prec为用户指定的进度，h为用户指定的步长；

该模块将搜索到的所对应的多维变量存入矩阵vars。

/* 成功失败法，用于一维搜索 */

void suc_fail(double (*f)(double **vars, int n), double **vars, double **d, int n, double prec, double h)；

4.4两个核心算法：

其中fun为待解函数的标号，n为维度，prec为用户指定的精度，h为用户指定的用于一维搜索的步长；

这里这两个模块求出指定函数的最小值点和最小值并输出。

/* 最速下降法（Speedest Descent Method）*/

void SD(int fun, int n, double prec, double h)；

/* DFP拟牛顿法 */

void DFP(int fun, int n, double prec, double h)；

五、程序使用说明

本程序将最速下降法和DFP法整合在一起，精度、步长、维度可由用户指定：

（1）选择方法（只输入序号，‘0’退出）；

（2）选择函数（只输入序号）；

（3）输入精度值（）；

（4）输入一维搜索的步长；

（5）输入变量维度；

（6）输入变量的每个分量；

回车后程序开始使用指定方法对指定函数进行计算，计算过程中输出迭代次数；

最后输出结果：最小值点和最小值。

如下图所示（下一页）：

六、运行结果及分析

6.1精度选择：

（1）如下用最速下降法求函数1，精度取，步长取1，初值取（5,5,5），求解时陷入了无限迭代：

……

（2）对于（1）的输入，仅修改精度为，仅迭代3次就求出了结果，且达到很高的精度，变量的三个分量和最优值都约等于0：

6.1.1小结

当精度值选择太小，虽然可能得到更精确的结果，但会陷入死循环。当精度要求放松了一点，反而快速求出了精确结果，可见精度要选着适当，不可太大，也不可太小。以下试验就选择为精度值。

6.2一维搜索的步长选择：

（1）如下用最速下降法求函数1，精度取，步长取0.1，初值取（3,3,3），迭代3次求出结果，但是误差很大：

（2）针对（1），仅将步长改为0.5，迭代4次求出结果，精度很高：

（4）如下用最速下降法求函数2，精度取，步长取0.5，

初值取（300,300,300），迭代9次求出结果，但是误差很大：

（5）针对（4），仅将步长改为30，迭代17次求出结果，虽然结果与理想值0还是有一些误差，但比（4）的结果精确了很多：

6.2.1小结

一维搜索的步长也要选择适当，否者求出的结果误差很大。从以上对比可以看出，步长的选取要根据自变量的取值进行相应的调整：函数F1的，变量取3，步长h取0.5时误差较小；函数F2的，变量取300，步长h取30时误差较小，步长h取值为变量x取值的10%左右时误差较小。

6.3比较最速下降法和DFP法：

6.3.1求解函数F1：精度取，步长取0.5，变量分别取（-5,-5,-5）、（5,5,5）

（1） 最速下降法

（2） DFP

6.3.2求解函数F2：精度取，步长取50，变量取（500,500,500）

（1）最速下降法

（2）DFP

6.3.3小结

由以上两组对比可看出：

（1） 对于函数F1和F2，DFP算法都比最速下降法迭代次数多；

（2） 对于函数F1和F2，DFP算法都比最速下降法结果精确；