我的思路是這樣的： 最速下降法能找出全局最優點，但在接近最優點的區域內就會陷入“齒型”迭代中，使其每進行一步迭代都要花掉非常久的時間，這樣長久的等待是無法忍受的，不信你就在我那個程序的第一步迭代中把精度取得很小如：0.000000001等，其實我等過一個鐘都沒有什么結果出來。 再者我們考究一下 牛頓迭代法求最優問題，牛頓法相對最速下降法的速度就快得多了，而且還有一個好處就是能高度逼近最優值，而不會出現死等待的現象。 如后面的精度，你可以取如：0.0000000000001等。 但是牛頓法也有缺點，就是要求的初始值非常嚴格，如果取不好，逼近的最優解將不收斂，甚至不是最優解。 就算收斂也不能保證那個結就是全局最優解，所以我們的出發點應該是：為牛頓法找到一個好的初始點，而且這個初始點應該是在全局最優點附近，這個初始點就能保證牛頓法高精度收斂到最優點，而且速度還很快。 思路概括如下： 1。用最速下降法在大范圍找到一個好的初始點給牛頓法：（最速下降法在精度不是很高的情況下逼近速度也是蠻快的） 2。在最優點附近改用牛頓法，用最速下降法找到的點為牛頓法的初始點，提高逼近速度與精度。 3。這樣兩種方法相結合，既能提高逼近的精度，還能提高逼近的速度，而且還能保證是全局最優點。這就充分吸收各自的優點，揚長避短。得到理想的結果了。