[基础知识点]PCG算法以及代码解析

1. 基本介绍

1. 共轭梯度法是介于梯度下降法与牛顿法之间的一个方法，是一个一阶方法，它克服了梯度下降法收敛慢的缺点，又避免了存储和计算牛顿法所需要的二阶导数信息。
2. 共轭梯度法的思想是，选择一个优化方向后，本次选择的步长能够将这个方向的误差更新完，在以后的优化更新过程中不再需要朝这个方向更新了。由于每次将一个方向优化到了极小，后面的优化过程将不再影响之前优化方向上的极小值，所以理论上对N维问题求极小只用对N个方向都求出极小就行了。为了不影响之前优化方向上的更新量，需要每次优化方向共轭正交。在 n 维的优化问题中，共轭梯度法最多 n 次迭代就能找到最优解（是找到，不是接近）。
3. 虽然 CG 方法可以减小求解时间和内存占用，但是缺点是矩阵 A 的条件数会很大程度上影响收敛速度。为了减小条件数，需要对 A 进行预处理，即得到预处理共轭梯度法 PCG。

2. 算法流程

3. 相关代码

节选自BA代码，求解$A\delta x_p=b$中使用PCG代码进行求解。

VecX Problem::PCGSolver(const MatXX &A, const VecX &b, int maxIter = -1) {    assert(A.rows() == A.cols() && "PCG solver ERROR: A is not a square matrix");    int rows = b.rows();    int n = maxIter < 0 ? rows : maxIter;    VecX x(VecX::Zero(rows));    MatXX M_inv = A.diagonal().asDiagonal().inverse();    VecX r0(b);  // initial r = b - A*0 = b    VecX z0 = M_inv * r0;    VecX p(z0);    VecX w = A * p;    double r0z0 = r0.dot(z0);    double alpha = r0z0 / p.dot(w);    VecX r1 = r0 - alpha * w;    int i = 0;    double threshold = 1e-6 * r0.norm();    while (r1.norm() > threshold && i < n) {        i++;        VecX z1 = M_inv * r1;        double r1z1 = r1.dot(z1);        double belta = r1z1 / r0z0;        z0 = z1;        r0z0 = r1z1;        r0 = r1;        p = belta * p + z1;        w = A * p;        alpha = r1z1 / p.dot(w);        x += alpha * p;        r1 -= alpha * w;    }    return x;
}