// NOTE: Неизвстно, как преобразовать Func<Vector<double>, double> к Func<PointN, double>
// Поэтому будут использованы две аналогичные функции
// Для них используются ужасно похожие лямбды.
// Возможно, этот конфликт можно решить
// TODO: надо бы сравнить производительность алгоритмов
// Можно привлечь сюда число итераций например
// TODO: см в тетради и реши все тестовые задачи
// COMPLETE
#region TEST2_1
static void Test2_1()
{
// Input data
FunctionNDByAlex funcND = (PointN point) => { return(4 * System.Math.Pow(point.At(0) - 5.0, 2.0) + System.Math.Pow(point.At(1) - 6.0, 2.0)); };
FunctionNDMathNet funcNDMathNet = (VectorNMathNet point) => { return(4 * System.Math.Pow(point.At(0) - 5.0, 2.0) + System.Math.Pow(point.At(1) - 6.0, 2.0)); };
PointN x0 = new PointN(100.0, 100.0);
VectorNMathNet x0MathNet = Helpers.PointNToMathNet(x0);
const double eps = 0.01;
// Testing
TestOptimalGradientMethod(funcND, x0, eps);
TestVariableMetricMethod(funcNDMathNet, x0MathNet, eps);
}
// Это хорошая идея - выносить параметры вроде eps сюда
// Можно добавить список строк List<String>
// И выводить в него информацию по алгоритму
// Затем, в output мы берем его и выводим на экран (по желанию)
public PointNMathNet FindMin(double eps)
{
int k = 0;
PointNMathNet xk = x0; // x(k)
PointNMathNet xk_1 = x0; // x(k-1)
Matrix <double> Hk = H0.Clone(); // Квазиньютоновская матрицы
double ak = 0.0;
// Вспомогательные вектора
VectorNMathNet sk = VectorNMathNet.Build.Dense(n);
VectorNMathNet yk = VectorNMathNet.Build.Dense(n);
while (true)
{
VectorNMathNet gradient = Gradient.Calculate(funcND, xk);
Log.Add(String.Format("Grad(F(\n{0, -23})) = \n{1, -25}", xk, gradient)); // TODO: некрасивый вывод
if (gradient.L2Norm() <= eps) // градиент слишком мал, максимум очень близко
{
return(xk);
}
if (k != 0)
{
sk = xk - xk_1;
//Log.Add(String.Format("sk:\n{0}", sk));
Matrix <double> m_sk = sk.ToColumnMatrix();
Matrix <double> m_sk_t = m_sk.Transpose();
yk = Gradient.Calculate(funcND, xk) - Gradient.Calculate(funcND, xk_1); // TODO Один из членов этого вектора становится слишком мал (или Hk или M_yk_t)
//Log.Add(String.Format("yk:\n{0}", yk));
Matrix <double> m_yk = yk.ToColumnMatrix();
Matrix <double> m_yk_t = m_yk.Transpose();
Hk = Hk - ((Hk * m_yk * m_yk_t * Hk) / (m_yk_t * Hk * m_yk)[0, 0]) + ((m_sk * m_sk_t)[0, 0] / (m_yk_t * m_sk)[0, 0]);
Log.Add(String.Format("Hk:\n{0}", Hk));
}
VectorNMathNet pk = -Hk * gradient;
Function1D func1D = (double alpha) => { return(funcND((xk + pk * alpha))); };
ak = OneDimensionalMinimization.FindMin(func1D, ak, eps);
Log.Add(String.Format("ak = {0}", ak));
// Инкремент
xk_1 = xk;
xk = xk + ak * pk;
k++;
Log.Add("==================Next Iteration====================");
}
}
public static VectorNMathNet Calculate(Func <PointNMathNet, double> f, PointNMathNet point, double h = 0.1)
{
int n = point.Count;
VectorNMathNet gradient = VectorNMathNet.Build.Dense(n);
for (int i = 0; i < n; i++)
{
PointNMathNet xMinusH = point.Clone();
xMinusH[i] -= h;
PointNMathNet xPlusH = point.Clone();
xPlusH[i] += h;
gradient[i] = (f(xPlusH) - f(xMinusH)) / (2 * h);
}
return(gradient);
}
// Работает с MathNet.Numerics.LinearAlgebra.Vector<double>;
static void TestVariableMetricMethod(FunctionNDMathNet funcNDMathNet, VectorNMathNet x0, double eps)
{
VariableMetricMethod vmm = new VariableMetricMethod(funcNDMathNet, x0);
sw.Start();
VectorNMathNet result = vmm.FindMin(eps);
sw.Stop();
//Console.Write(String.Join("\n", vmm.Log)); // Выводим все сообщения от этого метода
Console.WriteLine("Рабочая информация метода VariableMetric лежит в txt файле VariableMetricOutput");
System.IO.File.WriteAllText(@"D:\Study\OptimizationMethods\3\VariableMetricOutput.txt", String.Join("\n", vmm.Log));
Console.WriteLine("\n---------------------------------------------");
Console.WriteLine("Variable metric method: x_min = {{{0} {1}}}", result[0].ToString("N6"), result[1].ToString("N6"));
Console.WriteLine("F(x_min) = {0}", funcNDMathNet(result));
Console.WriteLine("Time: {0}ms", sw.ElapsedMilliseconds);
Console.WriteLine("=============================================");
}
// FAILED (первый несет чушь)
// 1) Градиент все время прыгает во все стороны, а xk все наращивается
// Все потому, что вектор указыает направление наискорейшего возрастания и очень большой
// xk быстро наращивается
// 2) yk или Hk или M_yk_t становится слишком мал
// вследствие этого, на одной из итераций (когда близко к минимуму), мы получаем деление на нуль
// Поэтому я выставил eps = 0.5 для того, чтобы метод остановился до деления на нуль
// Вывод: Методы чуть менее чем полностью не приспособлены для минимизации не униминимальных функций
#region TEST2_1_1
static void Test2_1_1()
{
// Input data
FunctionNDByAlex funcND = (PointN point) =>
{
return(SMath.Pow(SMath.Pow(point.At(0), 2) + point.At(1) - 11.0, 2.0)
+ SMath.Pow(point.At(0) + SMath.Pow(point.At(1), 2) - 7.0, 2.0));
};
FunctionNDMathNet funcNDMathNet = (VectorNMathNet point) =>
{
return(SMath.Pow(SMath.Pow(point.At(0), 2) + point.At(1) - 11.0, 2.0)
+ SMath.Pow(point.At(0) + SMath.Pow(point.At(1), 2) - 7.0, 2.0));
};
PointN x0 = new PointN(3.0, 3.0);
VectorNMathNet x0MathNet = Helpers.PointNToMathNet(x0);
const double eps = 0.1; // TODO при слишком малых eps происходит деление на 0 в формуле пересчета Hk
// Testing
TestOptimalGradientMethod(funcND, x0, eps);
TestVariableMetricMethod(funcNDMathNet, x0MathNet, eps);
}
