Documentos de Académico
Documentos de Profesional
Documentos de Cultura
El Método de Gradiente Conjugado (CGM) Se Aplica A La Ecuación Au B, Cuando A Es Positiva de Nida y Simétrica
El Método de Gradiente Conjugado (CGM) Se Aplica A La Ecuación Au B, Cuando A Es Positiva de Nida y Simétrica
Introducción
El método del gradiente conjugado es un caso particular del método de descenso; el cual, en
su forma iterativa, es el más utilizado para la resolución de grandes sistemas de ecuaciones
lineales.
Este método puede ser desarrollado de dos maneras, como un método iterativo o como un
método directo.
MÉTODO DIRECTO:
Tenemos n direcciones conjugadas entre si respecto a A que forman una base del espacio
vectorial real de dimensión (ya que, al ser conjugados, son linealmente independientes).
Para cada iteración del algoritmo básico (sin precondicionador ni condición de convergencia)
es necesario realizar un producto matriz-vector, tres actualizaciones vectoriales y dos
productos escalares entre vectores.
Basado en subespacios de Krylov.
No requiere una factorización de la matriz, ni es dependiente de parámetros definidos por el
usuario, como sucede con otros métodos iterativos
El método del gradiente conjugado se puede utilizar también para resolver los problemas de
optimización sin restricciones como la minimización de la energía.
El método del Gradiente Conjugado puede considerarse como un método intermedio entre el
Descenso del Gradiente y el método de Newton. Viene motivado por el deseo de acelerar la
convergencia, habitualmente lenta, obtenida con el Descenso del Gradiente, y a la vez evitar
los requisitos de computación asociados a la evaluación, almacenamiento e inversión del
Hessiano, como requiere el método de Newton.
di+1=gi+1+diγi
Los valores de los parámetros de la función se calculan entonces con la forma habitual:
wi+1=wi+
diν
Este método ha demostrado ser más eficaz que el de Descenso del Gradiente, y como no
requiere el cálculo del Hessiano también se recomienda cuando tenemos redes neuronales
muy grandes.La siguiente figura muestra una comparativa del comportamiento del Descenso
del Gradiente usual (verde) frente al comportamiento del Gradiente Conjugado (rojo).
Este método localiza más fácilmente el mínimo que el gradiente descendente, se basa en
direcciones conjugadas.
En este método encontramos dos algoritmos muy populares que son conocidos como:
● Algoritmo de Fletcher-Reves
● Algoritmo de Polak-Ribiere
Estos convergen con mayor rapidez .