最小化带参数的函数

Minimize function with parameters

目前我有以下定义函数 f.

的代码
a = #something
b = #something
c = #something
def f(x):
    """Evaluates some function that depends on parameters a, b, and c"""
    someNumber = #some calculation
    return someNumber

理想情况下我会做 def f(x, a, b, c),但我正在最小化 f 关于 x 并且 SciPy 的优化工具箱不允许最小化在参数中带有参数的函数。也就是说,我想 运行 我的最小化代码用于 a, bc 的多个值。我有办法做到这一点吗?

您可以在 args

中指定其他参数
from scipy.optimize import minimize 
minimize(f, x0, args=(a, b, c))

这是一个关于使用 minimize 的简单问答。如果其他用户需要更具体的东西,这里有一个简单的例子。

一个广义二次方程:

In [282]: def fun(x, a,b,c):
     ...:     return a*x**2 + b*x + c

In [283]: optimize.minimize(fun, 10, args=(1,0,0))
Out[283]: 
      fun: 1.7161984122524196e-15
 hess_inv: array([[ 0.50000001]])
      jac: array([ -6.79528891e-08])
  message: 'Optimization terminated successfully.'
     nfev: 15
      nit: 4
     njev: 5
   status: 0
  success: True
        x: array([ -4.14270251e-08])

In [284]: optimize.minimize(fun, 10, args=(1,1,1))
Out[284]: 
      fun: 0.7500000000000221
 hess_inv: array([[ 0.49999999]])
      jac: array([  3.12924385e-07])
  message: 'Optimization terminated successfully.'
     nfev: 12
      nit: 2
     njev: 4
   status: 0
  success: True
        x: array([-0.49999985])

该函数也可以将数组作为输入,但仍需要 return 单个(标量)值:

In [289]: optimize.minimize(fun, [10,10,10], args=(np.array([1,2,3]), 1, 1))
Out[289]: 
      fun: 2.541666666667115
 hess_inv: array([[ 0.50021475, -0.00126004,  0.00061239],
       [-0.00126004,  0.25822101, -0.00259327],
       [ 0.00061239, -0.00259327,  0.16946887]])
      jac: array([ -8.94069672e-08,   4.47034836e-07,  -2.20537186e-06])
  message: 'Optimization terminated successfully.'
     nfev: 55
      nit: 9
     njev: 11
   status: 0
  success: True
        x: array([-0.50000006, -0.2499999 , -0.16666704])

In [286]: def fun(x, a,b,c):
 ...:     return (a*x**2 + b*x + c).sum()

最好确保函数使用建议的 x0 和参数运行,例如

In [291]: fun(np.array([10,10,10]), np.array([1,2,3]), 1, 1)
Out[291]: 633

如果您无法调用 objective 函数,或者对其参数的工作原理感到困惑,minimize 并不是灵丹妙药。这种最小化仅与您对 objective 函数的理解一样好。