标签：玩意儿 phi right mathbf 梯度 nabla 流是 left mathrm
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
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。