梯度下降算法matlab

以下是一个简单的梯度下降算法的Matlab实现，用于最小化给定函数的参数：

% 定义函数
function y = myfunc(x)
    y = x(1)^2 + x(2)^2;
end

% 初始化参数和学习率
x0 = [1; 1];
alpha = 0.1;

% 迭代次数
num_iters = 100;

% 梯度下降算法
for i = 1:num_iters
    % 计算梯度
    grad = [2*x0(1); 2*x0(2)];
    
    % 更新参数
    x0 = x0 - alpha * grad;
    
    % 打印迭代过程中的参数和函数值
    fprintf('Iteration %d: x = [%f, %f], f(x) = %f\n', i, x0(1), x0(2), myfunc(x0));
end

在上述代码中，我们首先定义了一个函数`myfunc`，它是我们要最小化的函数。然后初始化参数和学习率，并进行指定次数的迭代来更新参数。在每次迭代中，我们首先计算梯度，然后使用学习率乘以梯度来更新参数。最后，我们打印出迭代过程中的参数和函数值。

注意：此处的梯度计算和参数更新都是使用了整个数据集，这种方法称为批量梯度下降（Batch Gradient Descent）。在实际应用中，可能需要使用随机梯度下降（Stochastic Gradient Descent）或者小批量梯度下降（Mini-batch Gradient Descent）等更高效的方法。