IRLS

README.md

@@ -43,6 +43,7 @@
     * [拟牛顿法](最优化算法/L-BFGS/lbfgs.md)
     * [NNLS(非负最小二乘)](最优化算法/非负最小二乘/NNLS.md)
     * [带权最小二乘](最优化算法/WeightsLeastSquares.md)
+    * [迭代再加权最小二乘](最优化算法/IRLS.md)
 * [降维](降维/SVD/svd.md)
     * [EVD（特征值分解）](降维/EVD/evd.md)
     * [SVD（奇异值分解）](降维/SVD/svd.md)

SUMMARY.md

@@ -32,6 +32,7 @@
     * [拟牛顿法](最优化算法/L-BFGS/lbfgs.md)
     * [NNLS(非负最小二乘)](最优化算法/非负最小二乘/NNLS.md)
     * [带权最小二乘](最优化算法/WeightsLeastSquares.md)
+    * [迭代再加权最小二乘](最优化算法/IRLS.md)
 * [降维](降维/SVD/svd.md)
     * [EVD（特征值分解）](降维/EVD/evd.md)
     * [SVD（奇异值分解）](降维/SVD/svd.md)

最优化算法/IRLS.md

@@ -0,0 +1,10 @@
+# 迭代再加权最小二乘
+
+  迭代再加权最小二乘(`IRLS`)用于解决特定的最优化问题，这个最优化问题的目标函数如下所示：
+
+$$arg min_{\beta} \sum_{i=1}^{n}|y_{i} - f_{i}(\beta)|^{p}$$
+
+  这个目标函数可以通过迭代的方法求解。在每次迭代中，解决一个带权最小二乘问题，形式如下：
+
+$$\beta ^{t+1} = argmin_{\beta} \sum_{i=1}^{n} w_{i}(\beta^{(t)}))|y_{i} - f_{i}(\beta)|^{2}$$
+