Я припускаю, що ви говорите про необмежену мінімізацію. У вашому запитанні слід вказати, чи розглядаєте ви конкретну структуру проблеми. Інакше відповідь - ні.
Спершу я повинен розвіяти міф. Класичний метод градієнтного спуску (також його називають найбільш стрімким способом спуску ) навіть не гарантує пошук локального мінімізатора. Він зупиняється, коли знайшов критичну точку першого порядку, тобто ту, де градієнт зникає. Залежно від того, яка конкретна функція зведена до мінімуму і початкова точка, ви можете дуже добре опинитися в точці сідла або навіть у глобальному максималізаторі!
Розглянемо, наприклад, та початкову точку ( x 0 , y 0 ) : = ( 1 , 0 ) . Найбільш крутий напрямок спуску - ∇ f ( 1 , 0 ) = ( - 2 , 0 ) . Один крок методу з точним пошуком рядків залишає вас на рівні ( 0 , 0 )f( х , у) = х2- у2( х0, у0) : = ( 1 , 0 )- ∇ f( 1 , 0 ) = ( - 2 , 0 )( 0 , 0 )де градієнт зникає. На жаль, це сідло. Ви могли б зрозуміти, вивчивши умови оптимальності другого порядку. Але тепер уявіть, що функція . Тут ( 0 , 0 ) все ще є сідловим пунктом, але чисельно, умови другого порядку можуть вам не сказати. Загалом, скажімо, ви визначаєте, що гессіан ∇ 2 f ( x ∗ , y ∗ ) має власне значення, рівне - 10 -f( х , у) = х2- 10- 16у2( 0 , 0 )∇2f( х∗, у∗) . Як ти це читаєш? Це негативна кривизна чи числова помилка? Як щодо+ 10 - 16 ?- 10- 16+ 10- 16
Розглянемо тепер таку функцію, як
f( x ) = ⎧⎩⎨1cos( х )- 1якщо x ≤ 0якщо 0 < x < πякщо x ≥ π.
х0= - 2
Зараз практично всі методи оптимізації на основі градієнтів страждають від цього дизайном. Ваше питання справді стосується глобальної оптимізації . Знову ж таки, відповідь «ні», немає загальних рецептів для модифікації методу, щоб гарантувати ідентифікацію глобального мінімізатора. Просто запитайте себе: якщо алгоритм повертає значення і каже, що це глобальний мінімізатор, як би ви перевірили, що це правда?
Існують класи методів глобальної оптимізації. Деякі вводять рандомізацію. Деякі використовують мультистартні стратегії. Деякі використовують структуру проблеми, але це для особливих випадків. Підберіть книгу про глобальну оптимізацію. Вам сподобається.