解释： while (gnorm > tol) and (k < iterations): if updateJ == 1: x_log = np.append(x_log, xk.T) yk = fun(xk) y_log = np.append(y_log, yk) J = jacobian(x0) H = np.dot(J.T, J) H_lm = H + (lamda * np.eye(9)) gfk = grad(xk) pk = - np.linalg.inv(H_lm).dot(gfk) pk = pk.A.reshape(1, -1)[0] # 二维变一维 xk1 = xk + pk fval = fun(xk1) if fval < old_fval: lamda = lamda / 10 xk = xk1 old_fval = fval updateJ = 1 else: updateJ = 0 lamda = lamda * 10 gnorm = np.amax(np.abs(gfk)) k = k + 1 grad_log = np.append(grad_log, np.linalg.norm(xk - x_log[-1:]))

这段代码是 Levenberg-Marquardt 算法的主要迭代过程。while 循环条件是当梯度的范数大于指定的容差 tol 并且迭代次数 k 小于指定的最大迭代次数 iterations 时继续迭代。如果 updateJ 的值为 1，则更新 x_log、y_log 和 J。其中，x_log 和 y_log 分别记录了每次迭代后的参数向量和目标函数值，J 是目标函数的雅可比矩阵，用于计算 Hessian 矩阵 H。H_lm 为加上阻尼因子的 Hessian 矩阵，用于计算搜索方向 pk。pk 是搜索方向，用于计算下一个参数向量 xk1。如果新的目标函数值 fval 小于旧的目标函数值 old_fval，则减小阻尼因子 lamda 并更新参数向量 xk 和目标函数值 old_fval，同时将 updateJ 设为 1。如果新的目标函数值大于等于旧的目标函数值，则增加阻尼因子 lamda 并将 updateJ 设为 0。每次迭代结束后，更新迭代次数 k 和梯度下降的迭代值 grad_log。