2. 最速下降法的改进
   诚然，最速下降法在靠近极小点时收敛得慢，但仍能够通过少许措施来加快收敛速率.
   下面来说明怎样改进最速下降法.
   由上文我们了解到，最速下降法“锯齿现象”的发生是因为相邻的两个迭代点下降的方向正交了，这是不可避免的，我们不妨通过增添少许步骤来抑制“锯齿现象”.
2.1 改进算法的基本思想
该改进算法在最速下降法的基础上，保留第  个迭代点的数值，试图在 方向上进行一文线性搜索，获得一个比用负梯度方向上搜索到的迭代点更好的迭代点. 因为第 个迭代点指向第 个迭代点的方向也可以使函数值下降，其本质并没有改变.
2.2 改进的最速下降法的计算步骤
    具体的计算步骤如下：
(1)选定一个初始点 并给定精确要求 ，令 ， ， .
(2)计算方向 ，若 ，则停止计算， ；否则，从 出发，沿 方向作一文线性搜索，并求出步长 ，使得
 ，
若 且 ，转步骤(3)，否则转步骤(5).
(3)令 ，从 点出发，沿 方向作一文线性搜索，求出步长 ，使得
 .(4)若 ，令 ， ， ， ，转步骤(2)；否则，令 ，转步骤(5).
(5)令 ，令 ， ，转步骤(2).
2.3 改进算法的收敛性证明
下面来证明该改进算法的收敛性.
按照最速下降法的收敛性定理，得到以下定理3[11].
定理3  设 是连续可微实函数，解集合 ，改进的最速下降法产生的序列 含于某个紧集，则序列 的每一个聚点  [11].
证明 不妨把改进的最速下降法表示成如下形式： ，其中， 是一个 映射. 给定一个点 ，经过算法 作用，得到点 和在点 处的最佳搜索方向. 算法 是 映射. 每给定一点 及方向 ，经 作用，即一文线性搜索，得到一个新的迭代点.
可证明这个点与它前面的迭代点对比，有较小的目标函数值.
定义映射 . 当 时， ，否则 ， .
每一个迭代点都有两个可能的方向来移动，一个是沿负梯度方向移动，而另一个则是沿方向 移动. 按照映射 的定义，
若 ，则 , .
由 ， 易知， ， 也是在点 处的下降方向.
在该方向上进行一文线性搜索，使得 ，因此 Matlab研究最速下降法求解无约束最优化问题的一类修正方法(3):http://www.751com.cn/shuxue/lunwen_7441.html