牛顿共轭梯度算法求最小值问题

多元函数梯度为各变量一阶偏导组成的向量。 牛顿共轭梯度算法是一种改进的牛顿方法，使用共轭梯度算法(近似)反演局部Hessian[NW]。牛顿方法基于将函数局部拟合为二次型：   是二阶导数矩阵(Hessian)。如果Hessian是正定的，则可以通过将二次型的梯度设置为零来找到该函数的局部极小值，从而得到： 使用共轭梯度法来评估Hessian的逆。下面给出了一个使用这种方法最小化Rosenbrock函数的例子。