视觉与目标跟踪第一课——梯度下降法求已知函数的局部最优解

        梯度下降法是一种优化算法，以负梯度方向为搜索方向，用于求解无约束优化问题。算法流程图如下：

                                             

    求已知函数的局部最优解，该函数的网格图如下：

                                 

    分别寻找初始坐标点(0,0),(-1,-1),(-2,-1),(-1,-2)附近的局部极小值。利用MATLAB编写梯度下降法时，可以求解每一步迭代的最优步长，但是计算量比较大；在Linux系统的Eclipse实现时，选择固定步长0.000001，偏差比较值也缩小为0.0000001。输入坐标值x,y，回车，输出局部极小值的坐标点和极小值，结果均保留三位小数。点(0,0)附近的局部极小点为(0.742,0.579)，值为1.518；剩下三个坐标点的局部极小点为(-3.129,-1.582)，值为-106.764。这里只贴出两张运行结果的图片，如下： 

         

          

    

    机器视觉与目标跟踪的第一课，我主要学习了一些常用的概念和方法，对以后要学习的内容有个大致的了解。其次，通过上面这个小程序的练习，我第一次独立地学习使用Linux系统的C++软件，虽然开始时总是报各种错，但是一个一个消去错误的过程还是很有成就感的。尤其要感谢之前的一次经历，别人帮我装好了虚拟机和Liunx系统，免去了让我头疼的装软件的过程。