sqp算法的前向差分 中心差分 不对称差分分别是什么意思

• 前向差分：使用当前点和下一个点的函数值之差作为导数的近似值。即 $f'(x) \approx \frac{f(x+h) - f(x)}{h}$，其中 $h$ 为步长。
• 中心差分：使用当前点前后两个点的函数值之差的平均值作为导数的近似值。即 $f'(x) \approx \frac{f(x+h) - f(x-h)}{2h}$，其中 $h$ 为步长。
• 不对称差分：使用当前点和前一个点或后一个点的函数值之差作为导数的近似值。即 $f'(x) \approx \frac{f(x) - f(x-h)}{h}$ 或 $f'(x) \approx \frac{f(x+h) - f(x)}{h}$，其中 $h$ 为步长。

这些差分方法用于求解优化问题中的梯度或者牛顿法中的导数。其中中心差分较为常用，因为它的精度相对较高。但是，前向差分和不对称差分的计算速度更快。