所花时间：235m
代码量（行）：30
博客量：11
了解到的知识点：
今天呢，学习了MATLAB中的最速下降法和牛顿法，我来介绍一下这两者的区别：主要这二者都是用来解决
无约束非线性优化问题的，其中呢，涉及到的知识点有：下降速度最快的方向为负梯度方向，这里我们首先
需要进行目标函数求梯度，然后确定dk方向，然后我们可以根据curry准则求解步长因子ak，或者利用0.618
黄金分割进行求解，其中前者主要是先求梯度，然后将x点进行代入，之后对带有步长因子的方程进行求导使其
等于0，求得步长因子，如果遇到所求的步长因子不唯一，我们规定取最小正根为步长因子，之后确定新的x=x+
adk,带入梯度，求解他的模是否小于精准度，如果否，则继续重复以上的步骤，由此看来这里就会有点复杂，
繁琐，这时候我们就有了一个新的方法，牛顿法：这种方法主要是基于上一个梯度的情况下，我们进行求他的hesse
矩阵是否会影响求解的过程呢。
当然这里，我们规定如果hesse矩阵非奇异（行列式不为0），我们有Xk+1 = Xk - GK^(-1)gk,齐总GK为hesse矩阵
gk为梯度，我们对- GK^(-1)gk规定为梯度方向dk即- GK^(-1)gk = dk,两边同时乘以Gk得Gkdk = -gk这样我们
就可以求得dk步长了，因为GK hesse矩阵的逆求解比较麻烦我们才进行这种求法，求得步长之后我们就和之前最速下降法
步骤基本一致了，主要是牛顿法求解还比较快速，但是这种对于奇异矩阵是无法求解的。
然后我就简单的学习了一下matlab的编程语言，了解了矩阵以及元胞数组，其中的简单的知识，为后面的数学建模做准备，
其次，明天需要进行软件开发的继续学习了，加油慢慢来吧...
