Метод Нелдера — Мида

Пусть требуется найти безусловный минимум функции n переменных ${\displaystyle f\left(x^{(1)},x^{(2)},\ldots ,x^{(n)}\right)}$. Предполагается, что серьёзных ограничений на область определения функции нет, то есть функция определена во всех встречающихся точках.

Параметрами метода являются:

• коэффициент отражения ${\displaystyle \alpha >0}$, обычно выбирается равным ${\displaystyle 1}$.
• коэффициент сжатия ${\displaystyle \beta >0}$, обычно выбирается равным ${\displaystyle 0{,}5}$.
• коэффициент растяжения ${\displaystyle \gamma >0}$, обычно выбирается равным ${\displaystyle 2}$.

1. «Подготовка». Вначале выбирается ${\displaystyle n+1}$ точка ${\displaystyle x_{i}=\left(x_{i}^{(1)},x_{i}^{(2)},\ldots ,x_{i}^{(n)}\right),i=1..n+1}$, образующие симплекс n-мерного пространства. В этих точках вычисляются значения функции: ${\displaystyle f_{1}=f(x_{1}),f_{2}=f(x_{2}),\ldots ,f_{n+1}=f(x_{n+1})}$.
2. «Сортировка». Из вершин симплекса выбираем три точки: ${\displaystyle x_{h}}$ с наибольшим (из выбранных) значением функции ${\displaystyle f_{h}}$, ${\displaystyle x_{g}}$ со следующим по величине значением ${\displaystyle f_{g}}$ и ${\displaystyle x_{l}}$ с наименьшим значением функции ${\displaystyle f_{l}}$. Целью дальнейших манипуляций будет уменьшение по крайней мере ${\displaystyle f_{h}}$.
3. Найдём центр тяжести всех точек, за исключением ${\displaystyle x_{h}}$: ${\displaystyle x_{c}={\frac {1}{n}}\sum \limits _{i\neq h}x_{i}}$. Вычислять ${\displaystyle f_{c}=f(x_{c})}$ не обязательно.
4. «Отражение». Отразим точку ${\displaystyle x_{h}}$ относительно ${\displaystyle x_{c}}$ с коэффициентом ${\displaystyle \alpha }$ (при ${\displaystyle \alpha =1}$ это будет центральная симметрия, в общем случае — гомотетия), получим точку ${\displaystyle x_{r}}$ и вычислим в ней функцию: ${\displaystyle f_{r}=f(x_{r})}$. Координаты новой точки вычисляются по формуле:

   ${\displaystyle x_{r}=(1+\alpha )x_{c}-\alpha x_{h}}$.

5. Далее смотрим, насколько нам удалось уменьшить функцию, ищем место ${\displaystyle f_{r}}$ в ряду ${\displaystyle f_{h},f_{g},f_{l}}$.

   Если ${\displaystyle f_{r}<f_{l}}$, то направление выбрано удачное и можно попробовать увеличить шаг. Производим «растяжение». Новая точка ${\displaystyle x_{e}=(1-\gamma )x_{c}+\gamma x_{r}}$ и значение функции ${\displaystyle f_{e}=f(x_{e})}$.

   Если ${\displaystyle f_{e}<f_{r}}$, то можно расширить симплекс до этой точки: присваиваем точке ${\displaystyle x_{h}}$ значение ${\displaystyle x_{e}}$ и заканчиваем итерацию (на шаг 9).

   Если ${\displaystyle f_{r}<f_{e}}$, то переместились слишком далеко: присваиваем точке ${\displaystyle x_{h}}$ значение ${\displaystyle x_{r}}$ и заканчиваем итерацию (на шаг 9).

   Если ${\displaystyle f_{l}<f_{r}<f_{g}}$, то выбор точки неплохой (новая лучше двух прежних). Присваиваем точке ${\displaystyle x_{h}}$ значение ${\displaystyle x_{r}}$ и переходим на шаг 9.

   Если ${\displaystyle f_{g}<f_{r}<f_{h}}$, то меняем местами значения ${\displaystyle x_{r}}$ и ${\displaystyle x_{h}}$. Также нужно поменять местами значения ${\displaystyle f_{r}}$ и ${\displaystyle f_{h}}$. После этого идём на шаг 6.

   Если ${\displaystyle f_{h}<f_{r}}$, то просто идём на следующий шаг 6.

   В результате (возможно, после переобозначения) ${\displaystyle f_{l}<f_{g}<f_{h}<f_{r}}$.

6. «Сжатие». Строим точку ${\displaystyle x_{s}=\beta x_{h}+(1-\beta )x_{c}}$ и вычисляем в ней значение ${\displaystyle f_{s}=f(x_{s})}$.
7. Если ${\displaystyle f_{s}<f_{h}}$, то присваиваем точке ${\displaystyle x_{h}}$ значение ${\displaystyle x_{s}}$ и идём на шаг 9.
8. Если ${\displaystyle f_{s}>f_{h}}$, то первоначальные точки оказались самыми удачными. Делаем «глобальное сжатие» симплекса — гомотетию к точке с наименьшим значением ${\displaystyle x_{l}}$:

   ${\displaystyle x_{i}\gets x_{l}+(x_{i}-x_{l})/2}$, ${\displaystyle i\neq l}$.

9. Последний шаг — проверка сходимости. Может выполняться по-разному, например, оценкой дисперсии набора точек. Суть проверки заключается в том, чтобы проверить взаимную близость полученных вершин симплекса, что предполагает и близость их к искомому минимуму. Если требуемая точность ещё не достигнута, можно продолжить итерации с шага 2.

• КУРС «Многомерная оптимизация». Лекция 10. Метод Нелдера — Мида на сайте Института дистанционного обучения ИНТУИТ. Подробное описание, есть иллюстрации.
• Метод Нелдера-Мида. Краткий алгоритм.
• Список ссылок на численные методы
• J. A. Nelder and R. Mead, Computer Journal, 1965, vol. 7, p. 308—313 (англ.).