算法适用问题

搜索给定单峰区间的极值问题，一般对凸优化问题比较适用。

python实现

# ******************************** 无约束一维极值——黄金分割法 ******************************** import pandas as pd import numpy as np from advance_retreat_method import advance_retreat_method class Minimize_Golden(object): """     func:为目标函数，必传参数     eps：迭代精度 默认1e-6     x0：初始区间。若不传这个参数，         则会调用进退法求取一个单峰区间。         from advance_retreat_method import advance_retreat_method          这个模块在本人博客优化版块的第一篇文章        """     def __init__(self,**kargs):         self.func = kargs["func"] if "x0" in kargs.keys():             self.x0 = np.array(kargs["x0"]) else:             self.x0 = np.array(advance_retreat_method(kargs["func"]).run()) if "eps" in kargs.keys():             self.eps = kargs["eps"] else:             self.eps = 1e-6         self.r1 = self.x0[0] + 0.382*(self.x0[1]-self.x0[0])         self.r2 = self.x0[0] + 0.618*(self.x0[1]-self.x0[0])     def run(self): if self.func(self.r1) < self.func(self.r2):             self.x0[1] = self.r2             self.r2 = self.r1             self.r1 = self.x0[0] + 0.382*(self.x0[1]-self.x0[0]) else:             self.x0[0] = self.r1             self.r1 = self.r2             self.r2 = self.x0[0] + 0.618*(self.x0[1]-self.x0[0]) if np.abs(self.x0[0]-self.x0[1]) < self.eps : return ((self.x0[0]+self.x0[1])/2,self.func((self.x0[0]+self.x0[1])/2)) else: return self.run() if __name__ == "__main__":     result = Minimize_Golden(func = lambda x:x**2+2*x-150).run() print(result) 

示例运行结果

by CyrusMay 2020 05 01

有些人经过我身旁
住在我脑中
在我心里钻洞
有些人变成相片
堆在角落
灰尘像雪一般冰冻

——五月天（一颗苹果）——