相同的优化代码在不同的计算机上有不同的结果
Same optimization code different results on different computers
我在运行宁嵌套优化代码
sp.optimize.minimize(fun=A, x0=D, method="SLSQP", bounds=(E), constraints=({'type':'eq','fun':constrains}), options={'disp': True, 'maxiter':100, 'ftol':1e-05})
sp.optimize.minimize(fun=B, x0=C, method="Nelder-Mead", options={'disp': True})
第一个最小化是函数 B 的一部分，所以它有点 运行在第二个最小化中。
而且整个优化都是基于数据的，不涉及随机数。
我运行在两台不同的电脑上使用完全相同的代码，却得到了完全不同的结果。
我安装了不同版本的anaconda，但是
scipy、numpy，所有使用的包版本相同
我真的不认为 OS 会很重要，但一个是 windows 10（64 位），另一个是 windows 8.1（64 位）
我正在尝试找出可能导致此问题的原因。
尽管我没有说明所有选项，但如果两台计算机运行使用相同的代码，结果不应该相同吗？
或者 sp.optimize 是否有任何选项可以将默认值设置为因计算机而异？
PS。我正在查看选项 "eps"。这些计算机上 "eps" 的默认值是否可能不同？
您永远不要指望数值方法在不同设备上表现相同；甚至同一设备上相同代码的不同运行。由于机器的有限精度，您永远无法计算 "real" 结果，只能计算数值近似值。在长时间的优化任务中，这些差异可以总结。
此外，一些优化方法在内部使用某种随机性来解决陷入局部极小值的问题：它们在先前计算的解决方案中添加一个小的、几乎消失的噪声，使算法能够更快地收敛全局最小值而不是陷入局部最小值或鞍点。
你能试着画出你想最小化的函数的风景吗？这可以帮助你分析问题：如果两个结果（在每台机器上）都是局部最小值，那么这个行为可以用我之前的描述来解释。
如果不是这种情况，您应该检查在两台机器上安装的 scipy 版本。也许您在一台设备上隐含地使用 float 值，而在另一台设备上也隐含地使用 double 值？
你看：对于这种（乍一看）奇怪的数字行为有很多可能的解释；你必须给我们更多的细节才能解决这个问题。
我在运行宁嵌套优化代码
sp.optimize.minimize(fun=A, x0=D, method="SLSQP", bounds=(E), constraints=({'type':'eq','fun':constrains}), options={'disp': True, 'maxiter':100, 'ftol':1e-05})
sp.optimize.minimize(fun=B, x0=C, method="Nelder-Mead", options={'disp': True})
第一个最小化是函数 B 的一部分，所以它有点 运行在第二个最小化中。
而且整个优化都是基于数据的，不涉及随机数。
我运行在两台不同的电脑上使用完全相同的代码，却得到了完全不同的结果。
我安装了不同版本的anaconda，但是
scipy、numpy，所有使用的包版本相同
我真的不认为 OS 会很重要，但一个是 windows 10（64 位），另一个是 windows 8.1（64 位）
我正在尝试找出可能导致此问题的原因。
尽管我没有说明所有选项，但如果两台计算机运行使用相同的代码，结果不应该相同吗？
或者 sp.optimize 是否有任何选项可以将默认值设置为因计算机而异？
PS。我正在查看选项 "eps"。这些计算机上 "eps" 的默认值是否可能不同？
您永远不要指望数值方法在不同设备上表现相同；甚至同一设备上相同代码的不同运行。由于机器的有限精度，您永远无法计算 "real" 结果，只能计算数值近似值。在长时间的优化任务中，这些差异可以总结。
此外，一些优化方法在内部使用某种随机性来解决陷入局部极小值的问题：它们在先前计算的解决方案中添加一个小的、几乎消失的噪声，使算法能够更快地收敛全局最小值而不是陷入局部最小值或鞍点。
你能试着画出你想最小化的函数的风景吗？这可以帮助你分析问题：如果两个结果（在每台机器上）都是局部最小值，那么这个行为可以用我之前的描述来解释。
如果不是这种情况，您应该检查在两台机器上安装的 scipy 版本。也许您在一台设备上隐含地使用 float 值，而在另一台设备上也隐含地使用 double 值？
你看：对于这种（乍一看）奇怪的数字行为有很多可能的解释；你必须给我们更多的细节才能解决这个问题。