使用 scipy 进行优化

Question

在以下脚本中：

import numpy as np
from scipy.optimize import minimise

a=np.array(range(4))
b=np.array(range(4,8))

def sm(x,a,b):
      sm=np.zeros(1)
      a=a*np.exp(x)
      sm += sum(b-a)
      return sm

 x0=np.zeros(4)
 print sm(x0,a,b) #checking my function

 opt = minimize(sm,x0,args=(a,b),method='nelder-mead', 
 options={'xtol': 1e-8,     'disp': True})

我正在尝试针对 x 进行优化，但收到以下消息：

Warning: Maximum number of function evaluations has been exceeded.

结果是：

array([-524.92769674, 276.6657959 , 185.98604937, 729.5822923 ])

这不是最优的。我的问题是我收到此消息和结果是因为我的起点不正确吗？

Answer 1

您的函数 sm 似乎是无界的。随着 x 的增加，sm 会变得越来越负，因此它会变成 -inf.

回复：评论 - 如果您想让 sm() 尽可能接近零，请将函数定义中的最后一行修改为 return abs(sm).

这使函数的绝对值最小化，使其接近于零。

您的示例的结果：

>>> opt = minimize(sm,x0,args=(a,b),method='nelder-mead', options={'xtol': 1e-8,     'disp': True})
Optimization terminated successfully.
         Current function value: 0.000000
         Iterations: 153
         Function evaluations: 272
>>> opt
  status: 0
    nfev: 272
 success: True
     fun: 2.8573836630130245e-09
       x: array([-1.24676625,  0.65786454,  0.44383101,  1.73177358])
 message: 'Optimization terminated successfully.'
     nit: 153

Answer 2

修改 FuzzyDuck 的提案，我将 sm +=((b-a)**2) 替换为 return 我想要的结果。

使用 scipy 进行优化

Optimisation using scipy

python

optimization

minimize

scipy