最速下降法最小值迭代三轮python代码

最速下降法（Gradient Descent）是一种常用的优化算法，用于寻找函数的局部最小值。在Python中，我们可以使用循环来实现这种迭代过程。这里是一个简单的三轮迭代的最速下降法示例，假设我们有一个一元线性函数作为目标函数：

# 假设目标函数 f(x) = x^2
import numpy as np

# 定义函数和梯度函数
def objective_function(x):
    return x**2

def gradient_function(x):
    return 2 * x

# 初始参数
x0 = 5
learning_rate = 0.1
max_iterations = 3

# 最速下降法迭代
for iteration in range(1, max_iterations + 1):
    # 计算梯度
    gradient = gradient_function(x0)
    
    # 更新参数
    x0 -= learning_rate * gradient
    
    # 检查是否达到最小值或达到迭代上限
    if abs(gradient) < 1e-6 or iteration == max_iterations:
        break

# 输出结果
print(f"经过{iteration}轮迭代后的最小值位置: {x0}")

在这个代码里，我们首先定义了目标函数`objective_function`和它的梯度`gradient_function`，然后设置初始值`x0`、学习率`learning_rate`和最大迭代次数。在每次迭代中，我们计算当前点的梯度，并沿着梯度的反方向更新参数。如果梯度变得非常小或者达到最大迭代次数，就停止迭代。