梯度流是个什么玩意儿
作者：互联网
梯度流是个什么玩意儿
举个最最最最简单的例子。
考虑一个经典的极小化问题：
min
x
f
(
x
)
\min _{\mathbf{x}} f(\mathbf{x})
xminf(x)
其中
x
∈
R
n
,
f
:
R
n
→
R
\mathrm{x} \in \mathbb{R}^{n}, f: \mathbb{R}^{n} \rightarrow \mathbb{R}
x∈Rn,f:Rn→R 是一个二次可微的函数。
x
∗
\mathrm{x}^{*}
x∗ 是上述问题的解的必要条件是
∇
f
(
x
∗
)
=
0
\nabla f\left(\mathrm{x}^{*}\right)=\mathbf{0}
∇f(x∗)=0
其中
∇
\nabla
∇ 表示梯度。上述公式是一个具有
n
n
n 个末知量和
n
n
n 个方程的非线性系统.。求解该系统的一个熟知的方法是梯度流方法，即求解如下常微分方程：
d
x
(
t
)
d
t
=
−
∇
f
(
x
)
,
x
(
0
)
=
x
0
\frac{\mathrm{d} \mathbf{x}(t)}{\mathrm{d} t}=-\nabla f(\mathbf{x}), \quad \mathbf{x}(0)=\mathbf{x}_{0}
dtdx(t)=−∇f(x),x(0)=x0
当该方程达到稳态解，即
d
x
(
t
)
d
t
=
0
\frac{\mathrm{d} \mathbf{x}(t)}{\mathrm{d} t}=\mathbf{0}
dtdx(t)=0
便得到
∇
f
(
x
∗
)
=
0
\nabla f\left(\mathbf{x}^{*}\right)=\mathbf{0}
∇f(x∗)=0
对于一个关于
x
:
Ω
→
R
n
\mathrm{x}: \Omega \rightarrow \mathbb{R}^{n}
x:Ω→Rn Fréchet 可微的能量泛函
E
(
x
)
E(\mathrm{x})
E(x)，它在度量
g
g
g 下的梯 度
∇
g
E
(
x
)
\nabla_{g} E(x)
∇gE(x) 由下式确定
⟨
∇
g
E
(
x
)
,
ϕ
⟩
g
=
δ
(
E
(
x
)
,
ϕ
)
,
∀
ϕ
∈
C
0
∞
(
Ω
;
R
n
)
\left\langle\nabla_{g} E(\mathbf{x}), \phi\right\rangle_{g}=\delta(E(\mathbf{x}), \phi), \quad \forall \phi \in C_{0}^{\infty}\left(\Omega ; \mathbb{R}^{n}\right)
⟨∇gE(x),ϕ⟩g=δ(E(x),ϕ),∀ϕ∈C0∞(Ω;Rn)
其中
δ
(
E
(
x
)
,
ϕ
)
:
=
d
E
(
x
+
ε
ϕ
)
d
ε
∣
ε
=
0
\delta(E(\mathrm{x}), \phi):=\left.\frac{\mathrm{d} E(\mathrm{x}+\varepsilon \phi)}{\mathrm{d} \varepsilon}\right|_{\varepsilon=0}
δ(E(x),ϕ):=dεdE(x+εϕ)∣∣∣ε=0 是能量泛函
E
(
x
)
E(\mathrm{x})
E(x) 的一阶变分。对于同一个能量泛函，选取不同的度量
g
g
g 将会得到不同的梯度流。如果选取
L
2
L^{2}
L2 意义下的内积作为 度量， 则有
⟨
∇
L
2
E
(
x
)
,
ϕ
⟩
L
2
=
δ
(
E
(
x
)
,
ϕ
)
\left\langle\nabla_{L^{2}} E(\mathrm{x}), \phi\right\rangle_{L^{2}}=\delta(E(\mathrm{x}), \phi)
⟨∇L2E(x),ϕ⟩L2=δ(E(x),ϕ)
从而得到
L
2
L^{2}
L2 梯度流
∂
x
∂
t
=
−
∇
L
2
E
(
x
)
\frac{\partial \mathbf{x}}{\partial t}=-\nabla_{L^{2}} E(\mathbf{x})
∂t∂x=−∇L2E(x)
或弱形式的
L
2
L^{2}
L2 梯度流
⟨
∂
x
∂
t
,
ϕ
⟩
=
−
⟨
∇
L
2
E
(
x
)
,
ϕ
⟩
L
2
,
∀
ϕ
∈
C
0
∞
(
Ω
;
R
n
)
.
\left\langle\frac{\partial \mathbf{x}}{\partial t}, \phi\right\rangle=-\left\langle\nabla_{L^{2}} E(\mathbf{x}), \phi\right\rangle_{L^{2}}, \quad \forall \phi \in C_{0}^{\infty}\left(\Omega ; \mathbb{R}^{n}\right) .
⟨∂t∂x,ϕ⟩=−⟨∇L2E(x),ϕ⟩L2,∀ϕ∈C0∞(Ω;Rn).
参考文献1
梯度流就是这么简单，就这玩意儿，我上了一学期讨论班。哭……
Ambrosio L, Gigli N, Savaré G. Gradient flows: in metric spaces and in the space of probability measures[M]. Springer Science & Business Media, 2008. ↩︎
标签：玩意儿,phi,right,mathbf,梯度,nabla,流是,left,mathrm 来源： https://blog.csdn.net/lusongno1/article/details/121329835