最全的最优化算法包括 变尺度+牛顿法+阻尼牛顿法+最速下降法 附有源码

matlab编写的最速下降法，十分详细 function x=fsxsteep(f,e,a,b) % fsxsteep函数 最速下降法 % x=fsxsteep(f,e,a,b)为输入函数 f为函数 e为允许误差 (a,b)为初始点;

包含最速下降法的MATLAB，并与其他方法进行比较。

MATLAB实现最速下降法MATLAB实现最速下降法MATLAB实现最速下降法MATLAB实现最速下降法

我的思路是这样的： 最速下降法能找出全局最优点，但在接近最优点的区域内就会陷入“齿型”迭代中，使其每进行一步迭代都要花掉非常久的时间，这样长久的等待是无法忍受的，不信你就在我那个程序的第一步迭代中把精度取得很小如：0.000000001等，其实我等过一个钟都没有什么结果出来。 再者我们考究一下 牛顿迭代法求最优问题，牛顿法相对最速下降法的速度就快得多了，而且还有一个好处就是能高度逼近最优值，而不会出现死等待的现象。 如后面的精度，你可以取如：0.0000000000001等。 但是牛顿法也有缺点，就是要求的初始值非常严格，如果取不好，逼近的最优解将不收敛，甚至不是最优解。 就算收敛也不能保证那个结就是全局最优解，所以我们的出发点应该是：为牛顿法找到一个好的初始点，而且这个初始点应该是在全局最优点附近，这个初始点就能保证牛顿法高精度收敛到最优点，而且速度还很快。 思路概括如下： 1。用最速下降法在大范围找到一个好的初始点给牛顿法：（最速下降法在精度不是很高的情况下逼近速度也是蛮快的） 2。在最优点附近改用牛顿法，用最速下降法找到的点为牛顿法的初始点，提高逼近速度与精度。 3。这样两种方法相结合，既能提高逼近的精度，还能提高逼近的速度，而且还能保证是全局最优点。这就充分吸收各自的优点，扬长避短。得到理想的结果了。

最优化算法里的一种不错的算法，大家学习借鉴（英文版）

里面有变尺度算法，牛顿法，阻尼牛顿法，最速下降法 是自己用c写的最优化实验程序 很久没动过c，而且学c时也不精 所以写的很粗糙，望见谅

机械工程专业，针对优化设计课程的最速下降法求某一函数的最小值

《最优化方法与程序设计》一书作者为倪勤，本书系统地介绍了非线性优化基本理论、方法与程序设计。主要内容有：线搜索与信赖域法，最速下降法与牛顿法，共轭梯度法，拟牛顿法，非线性最小二乘问题的解法，罚函数法，可行方向法，二次规划问题的解法，序列二次规划法等。本书的主要阅读对象是数学专业的本科生与研究生，非数学专业的研究生，对优化方法感兴趣的教师与科学技术人员。读者需要具备微积分、线性代数和Matlab语言方面的初步知识。