赞
踩
记
△
x
i
=
x
−
x
k
i
\triangle x^i = x-x_k^i
△xi=x−xki,设
x
=
(
x
1
,
x
2
,
.
.
.
,
x
n
)
T
\pmb{x} = (x^1,x^2,...,x^n)^T
xxx=(x1,x2,...,xn)T,
n
n
n 元函数
f
(
x
)
f(\pmb{x})
f(xxx) 在
x
k
=
(
x
k
1
,
x
k
2
,
.
.
.
,
x
k
n
)
T
\pmb{x}_k = (x_k^1,x_k^2,...,x_k^n)^T
xxxk=(xk1,xk2,...,xkn)T 处可导,可以如下展开:
f
(
x
)
=
f
(
x
k
)
+
∑
i
=
1
n
f
x
i
′
(
x
)
△
x
i
+
1
2
!
∑
i
,
j
=
1
n
f
i
j
′
′
(
x
k
)
(
x
i
−
x
k
i
)
+
.
.
.
f(xx)=f(xxk)+n∑i=1f′xi(xx)△xi+12!n∑i,j=1f″ij(xxk)(xi−xik)+...
f(xxx)=f(xxxk)+i=1∑nfxi′(xxx)△xi+2!1i,j=1∑nfij′′(xxxk)(xi−xki)+...
通常写成矩阵形式
f
(
x
)
=
f
(
x
k
)
+
[
f
x
1
′
(
x
k
)
f
x
2
′
(
x
k
)
…
f
x
n
′
(
x
k
)
]
[
△
x
1
△
x
2
⋮
△
x
n
]
+
1
2
!
[
△
x
1
△
x
2
…
△
x
n
]
H
(
x
k
)
[
△
x
1
△
x
2
⋮
△
x
n
]
+
.
.
.
f(xx)=f(xxk)+[f′x1(xxk)f′x2(xxk)…f′xn(xxk)][△x1△x2⋮△xn]+12![△x1△x2…△xn]HH(xxk)[△x1△x2⋮△xn]+...
f(xxx)=f(xxxk)+[fx1′(xxxk)fx2′(xxxk)…fxn′(xxxk)]⎣⎢⎢⎢⎡△x1△x2⋮△xn⎦⎥⎥⎥⎤+2!1[△x1△x2…△xn]HHH(xxxk)⎣⎢⎢⎢⎡△x1△x2⋮△xn⎦⎥⎥⎥⎤+...
其中
[
f
x
1
′
(
x
k
)
f
x
2
′
(
x
k
)
…
f
x
n
′
(
x
k
)
]
[f′x1(xxk)f′x2(xxk)…f′xn(xxk)]
[fx1′(xxxk)fx2′(xxxk)…fxn′(xxxk)] 就是
f
(
x
)
f(\pmb{x})
f(xxx) 的梯度,化简符号如下:
f
(
x
)
=
f
(
x
k
)
+
[
▽
f
(
x
k
)
]
T
[
x
−
x
k
]
+
1
2
!
[
x
−
x
k
]
T
H
(
x
k
)
[
x
−
x
k
]
+
.
.
.
f(xx)=f(xxk)+[▽f(xxk)]T[xx−xxk]+12![xx−xxk]TH(xxk)[xx−xxk]+...
f(xxx)=f(xxxk)+[▽f(xxxk)]T[xxx−xxxk]+2!1[xxx−xxxk]TH(xxxk)[xxx−xxxk]+...
以上展开到2阶,所以至少要求2阶可导,若二阶导数连续(原函数为光滑曲线),则有 f x y ′ ′ = f y x ′ ′ f''_{xy}=f''_{yx} fxy′′=fyx′′,可进一步化简。上式中 H ( x k ) H(\pmb{x}_k) H(xxxk) 是黑塞矩阵,当展开到二阶时就会出现
黑塞矩阵常用于牛顿法解决优化问题,利用黑塞矩阵可判定多元函数的极值问题。在工程实际问题的优化设计中,所列的目标函数往往很复杂,为了使问题简化,常常将目标函数在某点邻域展开成泰勒多项式来逼近原函数,此时函数在某点泰勒展开式的矩阵形式中会涉及到黑塞矩阵
对称性
:要求
f
(
x
)
f(\pmb{x})
f(xxx) 在展开区域内二阶连续可导(二阶偏导数连续,原函数光滑),则原函数的混合偏导数相等,黑塞矩阵成为对称矩阵Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。