Наиболее важны в идейном отношении следующие методы безусловной оптимизации: градиентный и Ньютона.
Идея градиентного метода заключается в том, чтобы достигнуть экстремума путем итерационного повторения процедуры последовательных приближений начиная с начального приближения
![](data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAABMAAAAUCAYAAABvVQZ0AAAAAXNSR0ICQMB9xQAAAAlwSFlzAAAOxAAADsQBlSsOGwAAABl0RVh0U29mdHdhcmUATWljcm9zb2Z0IE9mZmljZX/tNXEAAADaSURBVDjLY2hsbGSgFmYYFIYBASNVDMtxky0GGvZP1i2nmCLD6vM8DGWNo3pB7Chj2V6PvHpDsg0Duco4usEHxG6INvZBdh3JhuW5GafAXANypbFbXsrgcBkszECxSTDMQIrQox1dLNqYYQHB2AQ5G6SIgUH2DcxGuJisx+60jg4ekhMtOB0ZRy2E0NELKMoB4HBhYHiD7g2yDOvoSOPxkGHYA4s1igwDpSUTE9kVIK+SbRgoxmBpB+xVWY+VaeXlvMgJlSjDYJkXFuBgr8oy7MaWBAZ3eUZzwwDWLySHbNH+gQAAAABJRU5ErkJggg==)
в соответствии с формулой
![](data:image/png;base64,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)
, где
![](data:image/png;base64,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)
- длина шага.
Сходимость данного метода подтверждается в доказательстве следующей теоремы:
Пусть функция
![](data:image/png;base64,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)
дифференцируема на
![](data:image/png;base64,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)
, градиент
![](data:image/png;base64,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)
удовлетворяет условию Липшица:
![](data:image/png;base64,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)
,
![](data:image/png;base64,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)
ограничена снизу:
![](data:image/png;base64,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)
и
![](data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAA8AAAARCAYAAAACCvahAAAAAXNSR0ICQMB9xQAAAAlwSFlzAAAOxAAADsQBlSsOGwAAABl0RVh0U29mdHdhcmUATWljcm9zb2Z0IE9mZmljZX/tNXEAAAC8SURBVDjLY2hsbGQgF2MXZGBgBGF0MYKa6/M8DGUZGF4zMBjfia2vlwSJlZfHShkzMNyRdcspxqm5oyONx83YrTato4Mnz80tDKQZJOYhw7DHOLrBhyhngzBMc46bbDG6jQQ1R3t4JOfludjKynquALmEaM1g57u55bvLGc+C+ZtozfX1sZLGDLInPfLqDUmOKlCIe0TW25EczyAnE3IuTs34QhevZkgCkb1JyK9YNYNsZTCOXkBR2h7mmgH6BHTrereHBgAAAABJRU5ErkJggg==)
удовлетворяет условию
![](data:image/png;base64,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)
.
Тогда в градиентном методе с постоянным шагом
![](data:image/png;base64,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)
градиент стремится к 0:
![](data:image/png;base64,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)
, а функция
![](data:image/png;base64,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)
монотонно убывает:
![](data:image/png;base64,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)
.
Для сильно выпуклых функций доказываются более сильные утверждения о сходимости градиентного метода.
При решении задачи оптимизации методом Ньютона используется подход, заключающийся в итерационном процессе вида
![](data:image/png;base64,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)
и в нахождении точки экстремума как решения системы из n уравнений с n неизвестными
![](data:image/png;base64,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)
.
В методе Ньютона производится линеаризация уравнений в точке
![](data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAABMAAAAUCAYAAABvVQZ0AAAAAXNSR0ICQMB9xQAAAAlwSFlzAAAOxAAADsQBlSsOGwAAABl0RVh0U29mdHdhcmUATWljcm9zb2Z0IE9mZmljZX/tNXEAAADySURBVDjLxZQ7CsJAEIbHPh5AcA4RxlYrWVbIBXSwC6lkmxSpZE2XY8ROz6A30jOImfjAt+aBWQgLA/ky/zdDII5jqOuBxmHZadUCS5LA0V3YopqFtXRmx3qgjXUfOywFYyI7nZIPgDuBVoqp1Nhn5lHlmNZoFwF2tTgzivyhMX1Fah5EUfsjTKQ+ib2p5b6s7TBBCsTpW9iCycteOmRi9xex1xrqTZAkTuGlnSkMgSbL033/9cKws+T9K8mFYZctJ154lWEysV4PVxK1NEwmJsIlXh4V9VrGL/DbTf8Ky2XL1M7C86gIG6n96q75/9lfYEcMByWradNoIwAAAABJRU5ErkJggg==)
и решение линеаризованной системы вида
![](data:image/png;base64,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)
.
Анализ достоинств и недостатков итерационных методов оптимизации можно свести в таблицу (см. табл. 3).
Видно, что достоинства и недостатки этих методов взаимно дополнительны, что делает привлекательной идею создания модификаций этих методов, объединяющих достоинства методов и свободных от их недостатков.
Модификацией градиентного метода является метод наискорейшего спуска:
,
.Модификация метода Ньютона с целью придания ему свойства глобальной сходимости возможна, например, способом регулировки длины шага:
.Такой метод называют демпфированным методом Ньютона. Возможные подходы к способу выбора шага
:– Вычисление по формуле
;– Итерационный алгоритм, заключающийся в последовательном дроблении шага
на константу
начиная со значения
до выполнения условия
,
или условия
,
.Демпфированный метод Ньютона глобально сходится для гладких сильно выпуклых функций.
Помимо одношаговых методов, к которым относятся градиентный метод и метод Ньютона, существует целый класс многошаговых методов, использующих для оптимизации информацию, полученную с предыдущих шагов. К ним относятся:
* Метод тяжелого шарика, использующий итерационную формулу
, где
,
- некоторые параметры. Введение инерции движения (член
) в некоторых случаях приводит к ускорению сходимости за счет выравнивания движения по «овражистому» рельефу функции;* Метод сопряженных градиентов. Здесь параметры оптимизации находятся из решения двумерной задачи оптимизации:
,
.Кроме всех вышеперечисленных методов оптимизации существует еще класс методов, основанных на идее восстановления квадратичной аппроксимации функции по значениям ее градиентов в ряде точек. К ним относятся:
* Квазиньютоновские методы, имеющие общую структуру
, где матрица
пересчитывается рекуррентно на основе информации, полученной на k-й итерации, так что
. К числу таких методов относятся ДФП (метод Давидона-Флетчера-Пауэлла) и BFGS или БФГШ (метод Бройдена-Флетчера-Гольдфарба-Шанно) [46].* Методы переменной метрики и методы сопряженных направлений, согласно которым метод
,
, может рассматриваться как градиентный в метрике
, а оптимальным выбором метрики является
. В данной работе задачи распознавания образов и восстановления зависимостей будут решаться в основном с применением нейронных сетей. Обзор данной темы основан на [1]-[6], [8]-[15], [22],[23], [32]-[34], [36]-[41], [59], [64], [67]-[70], [83]-[88].
Нейронная сеть представляет собой структуру взаимосвязанных клеточных автоматов, состоящую из следующих основных элементов:
Нейрон - элемент, преобразующий входной сигнал по функции:
![](data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAH0AAAAwCAYAAAA8RnWXAAAAAXNSR0ICQMB9xQAAAAlwSFlzAAAOxAAADsQBlSsOGwAAABl0RVh0U29mdHdhcmUATWljcm9zb2Z0IE9mZmljZX/tNXEAAAN2SURBVHja7ZkxUttAFIY3PRwAxusu6fFyBMbIGVKmwBpXYVx4GDUUKlwIdy6SA4QKOnKFmDYFnCCZsW/AGex4Ja+RNSvtWyOEJf3FPx6EpJHet/v03v/YaDRiUL2EIAA6BOgQoEOADgE6BOgQoJcqKIx9kDIdA/SK6NoVZ0u4c8b4s+MFRxvHuDPpj8d7gF5RXbb5FRPdu+jXvUV6r4ECzznijD3z9uUVvuk10Xjc33Ma7EG412eAXhN5bXFxfMzvZYoH9BpU7rJwk2k9TPHc+dX3/X25CFRhVyvoWW2LTTuzq61PWLTJKn1VuIUpnrOJPFalbzv5RN/vHQrGproARP8Tv3tBcGAskILeQXiu7x8is+wwdAm1xfiTTG9hzxrrV6MeVkwpwOOVcZM1/54Mhi1AKD4Dkk7qCnanS2/RYmhNbIBvtkStJ+z4l27htClutollrtDlygvOxZflTp7p4KQtBqqNqQwQQLeHruK5TXbI7lOjImYRaTOFy2+zSvnx62xszPVuT3nR+IulqY7Qfb+/Lz2EKM5sbuslkFK7bjeuvuWztIek2JhRUcdmaQ/tCnarXkyrktuj8cUrQYbQlxk1a1EPByetuFMo4xvPtuqa5C8ZehaUqL1Jh06xMdX9826HKBniPURY1IusRW2Kl9qIrud8lhn063DwSecq0ootDVgTdIqNaXqJbdN7ZnZ4R702vZuya7iQHB5w3rk/Fc2bRqPxx3Gdb6LtXZChh2AbzoNunGh6AIqNWdb0bltLUM6nQNcVvvF7y3h2eOf7eeB9VBtOXkPe6Wqnpu3CtELOxsY0FXI7/C1e5H0+Gfqqk5JxDv9OeCbruIvuj/U9E52XIbXzf1l+s9yJ8UVha2OWdVb9VtCd5vHPLOjxeOpi6goRyOslfLm7V5l0moxxaiqiAIluyh+3cdZeY+xUEXqhz6/7ZkRtgXgkeelbWKrKxy/rrLpS0F+MFUsvXQ1RbAYuO7rDKUVXpaDDCqW5YoBeMucrb+iUOQOgFywbn9oWOnXOAOgFyuRTJ7MA1f9OQjTNGQC9IFF9fVv/WwfRNGcA9IJE8anzKuRMcwZAL0gmnzpP6KY5A6AXCT3Dp84DOnXOAOgF9txZPnXqNQb/W0G0mTMAejX6fpgzgA7ogA7ogA7ogA7oJYU+f8vzAR0CdAjQoS30H3wKPY3R4BvrAAAAAElFTkSuQmCC)
где x - входной сигнал, c - параметр, определяющий крутизну графика пороговой функции, а cm - параметр спонтанной активности нейрона.
Сумматор - элемент, осуществляющий суммирование сигналов поступающих на его вход:
![](data:image/png;base64,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)
Синапс - элемент, осуществляющий линейную передачу сигнала:
![](data:image/png;base64,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)
где w - “вес” соответствующего синапса.
Сеть состоит из нейронов, соединенных синапсами через сумматоры по следующей схеме:
Сеть функционирует дискретно по времени (тактами). Тогда синапсы можно разделить на “синапсы связи”, которые передают сигналы в данном такте, и на “синапсы памяти”, которые передают сигнал с выхода нейрона на его вход на следующем такте функционирования. Сигналы, возникающие в процессе работы сети разделяются на прямые (используемые при выдаче результата сетью) и двойственные (использующиеся при обучении) и могут быть заданы следующими формулами:
Для i-го нейрона на такте времени T:
![](data:image/png;base64,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)
где mi0 - параметр инциации сети, xi1 - входные сигналы сети, поступающие на данный нейрон, fiT - выходной сигнал нейрона на такте времени T, Ai1 - входной параметр i-го нейрона на первом такте функционирования сети, AiT - входной сигнал i-го нейрона на такте времени T, aji - вес синапса от j-го нейрона к i-му, aMi - вес синапся памяти i-го нейрона, ai1 - параметр нейрона и ai2 - параметр спонтанной активности нейрона, AiT-1 - входной сигнал i-го нейрона на такте T-1, fjT-1 - выходной сигнал j-го нейрона на такте T-1 и fiT,A - производная i-го нейрона по его входному сигналу.