最优化方法 共轭梯度法

三、算法特点：
1、全局收敛（下降算法）；线性收敛；
2、每步迭代只需存储若干向量（适用于 大规模问题）；
3、有二次终结性（对于正定二次函数， 至多n次迭代可达opt.）
注：对不同的β k公式，对于正定二次函 数是相等的，对非正定二次函数，有不 同的效果，经验上PRP效果较好。
共轭梯度法
贺小燕
二、共轭梯度法 共轭梯度法是针对二次函数f(x)=(1/2)xTGx+bTx+c ，x=
（x1,x2,...,xn）T的无约束极小问题，考虑出一种搜索 方向的合理选取方法，然后形式地推广到一般的可微函 数。
首先注意到，对于变量分离的函数 f(x)=f1(x1)+f2(x2)+....+fn(xn)
则从任意一点x(1)出发，分别沿每个坐标轴方向进 行一维搜索，进行一遍（共进n次线搜索）以后，一定 就能得到minf(x)的最优解。
而对于形为上述二次函数，其中G为实对称正定矩 阵，只要我们适当选取Rn的一组{p1,p2,...pn}，使得pi 满足条件piTQpj=0(i≠j)
则易见在新的基下，f(x)就成为变量分离的形式。 于是，从任何一个初始点x(1)出发，分别沿每个pi方向 作线搜索，经过一轮后，肯定就能得到最优解，我们把 满足上述条件的n维方向称为是G-共轭的。
wenku.baidu.com
定义：设G为n阶实对阵正定矩阵，若n维方 向x和y满足xTGy=0则称方向x和y是G-共轭 的。
共轭梯度法就是在每个迭代点x(k)处，以负 梯度- ▽f(x(k))和前一个搜索方向pk-1适当组合， 构成和前面k-1个搜索方向p1,p2,...pk-1均两两G共轭的搜索方向pk，故以此命名。
基于上面的考虑，现在的问题是如何构造出 两两G-共轭的方向？