matlab 梯度下降函数

在 MATLAB 中，你可以使用 `gradientdescent` 函数来实现梯度下降算法。以下是一个示例：

% 定义目标函数和其梯度
function [f, df] = targetFunction(x)
    f = x^4 - 3*x^3 + 2;
    df = 4*x^3 - 9*x^2;
end

% 梯度下降函数
function [x_opt, f_opt] = gradientDescent(x_init, learning_rate, num_iterations)
    % 初始化参数
    x_opt = x_init;
    
    % 迭代更新
    for i = 1:num_iterations
        [f, df] = targetFunction(x_opt);
        
        % 更新参数
        x_opt = x_opt - learning_rate * df;
    end
    
    % 计算最优解和最优值
    [f_opt, ~] = targetFunction(x_opt);
end

% 示例使用
x_init = 2; % 初始点
learning_rate = 0.1; % 学习率
num_iterations = 100; % 迭代次数

[x_opt, f_opt] = gradientDescent(x_init, learning_rate, num_iterations);
disp(['Optimal solution: ', num2str(x_opt)]);
disp(['Optimal value: ', num2str(f_opt)]);

在上面的示例中，我们首先定义了目标函数 `targetFunction`，并计算其梯度。然后，我们定义了梯度下降函数 `gradientDescent`，它使用给定的初始点、学习率和迭代次数来执行梯度下降算法。最后，我们使用示例参数调用 `gradientDescent` 函数，并输出最优解和最优值。

请注意，这只是一个简单的示例，你可以根据自己的需要修改目标函数和相关参数。