逼近 Python 中的未知值
Approximating an unknown value in Python
我需要近似一个未知值,一个将发散值与收敛值分开的界限。
我正在尝试这样做:
# dont worry about the value of i, its one of many bounds checks
bounds = 1.0
for j in range(niters):
if does_converge(i, bound):
bound += bound / 2.0
else:
bound /= 2.0
我一直在谷歌上搜索更好的近似算法,但他们似乎都认为我对函数有所了解,但我不知道。我得到的只是一个黑框,告诉我值是否发散。
如有任何想法,我们将不胜感激!
编辑:我不能肯定地说,但假设函数是连续的,并且收敛的边界很可能在 0 和 1 之间。
根据给定的信息,没有什么比某种形式的 二进制搜索 更好的了。
编辑: 请参阅本答案末尾的 edit/remark 以获得更好的解决方案(尽管没有严格的理论解释)!
这可以使用 scipy 的 minimize_scalar 来实现。使用 method: golden
!
很重要
Method Golden uses the golden section search technique. It uses analog of the bisection method to decrease the bracketed interval.
问题是没有任何真正有价值的答案。只有 yes/no 不允许形成任何类型的梯度信息或代理模型。
我假设:
- 我们正在寻找黑盒 returns 1
的最小值
- 黑盒是确定性的
想法: 构建一些包装函数,其最小值为返回 1 的最小值。
因为 x 应该在 [0,1] 中,试图最小化 x,我们可以将包装函数表示为:x + 1 - black_box(x)
。答案为 0 的每个解决方案 >= 答案为 1 的每个解决方案(可能在界限处需要一些保护措施;例如 x + (1 - eps) - black_box(x)
且 eps 非常小!;可能需要在选择时考虑 xtol
)。
代码:
from scipy import optimize
SECRET_VAL = 0.7
def black_box(x):
if x > SECRET_VAL:
return 1.
else:
return 0.
def wrapper(x):
return x + 1 - black_box(x)
res = optimize.minimize_scalar(wrapper, bracket=(0,1), method='golden')
print(res)
输出:
fun: 0.7000000042155881
nfev: 44
nit: 39
success: True
x: 0.7000000042155881
或 secret_val=0.04
:
fun: 0.04000000033008555
nfev: 50
nit: 45
success: True
x: 0.040000000330085564
或者如果你知道你需要什么样的精度(原始秘密0.7):
res = optimize.minimize_scalar(wrapper, bracket=(0,1), method='golden',
options={'xtol': 1e-2})
输出:
fun: 0.7000733152965655
nfev: 16 !!!!!
nit: 11
success: True
x: 0.7000733152965655
备注:
最好在此处编写一个自定义的基于二分搜索的解决方案(不是 100% 确定)。但是考虑到缺少单峰性等假设,需要小心。
编辑:
好的......我终于设法将这个最小化问题转换为寻根问题,可以更有效地解决!
警告:
很明显,wrapper
永远不会返回 0.0
的值(找不到确切的根)!
但是二分法是关于 zero crossing within the new interval
wiki.
所以它在这里找到两个点 a, b
,其中函数的 符号 正在改变并将其解释为根(给定一些容差!)。
与前一种方法相比,这种分析不如前一种方法严格(给出的分析不多,但根据 scipy 的文档,使用纯最小化方法更容易做到)。
def wrapper_bisect(x):
return 1 - 2*black_box(x)
res = optimize.bisect(wrapper_bisect, 0, 1, xtol=1e-2, full_output=True)
print(res)
输出:
(0.6953125, converged: True
flag: 'converged'
function_calls: 9
iterations: 7
root: 0.6953125)
鉴于上述假设(并且只有这些),这应该是理论上最优的算法(我们将函数评估的数量从 16 减少到 9;优化-objective 更差,但在范围内)!
最后一个测试:
secret: 0.9813; xtol: 1e-4
:
金色:
fun: 0.9813254238281632
nfev: 25
nit: 20
success: True
x: 0.9813254238291631
二分法:
(0.98126220703125, converged: True
flag: 'converged'
function_calls: 16
iterations: 14
root: 0.98126220703125)
我需要近似一个未知值,一个将发散值与收敛值分开的界限。
我正在尝试这样做:
# dont worry about the value of i, its one of many bounds checks
bounds = 1.0
for j in range(niters):
if does_converge(i, bound):
bound += bound / 2.0
else:
bound /= 2.0
我一直在谷歌上搜索更好的近似算法,但他们似乎都认为我对函数有所了解,但我不知道。我得到的只是一个黑框,告诉我值是否发散。
如有任何想法,我们将不胜感激!
编辑:我不能肯定地说,但假设函数是连续的,并且收敛的边界很可能在 0 和 1 之间。
根据给定的信息,没有什么比某种形式的 二进制搜索 更好的了。
编辑: 请参阅本答案末尾的 edit/remark 以获得更好的解决方案(尽管没有严格的理论解释)!
这可以使用 scipy 的 minimize_scalar 来实现。使用 method: golden
!
Method Golden uses the golden section search technique. It uses analog of the bisection method to decrease the bracketed interval.
问题是没有任何真正有价值的答案。只有 yes/no 不允许形成任何类型的梯度信息或代理模型。
我假设:
- 我们正在寻找黑盒 returns 1 的最小值
- 黑盒是确定性的
想法: 构建一些包装函数,其最小值为返回 1 的最小值。
因为 x 应该在 [0,1] 中,试图最小化 x,我们可以将包装函数表示为:x + 1 - black_box(x)
。答案为 0 的每个解决方案 >= 答案为 1 的每个解决方案(可能在界限处需要一些保护措施;例如 x + (1 - eps) - black_box(x)
且 eps 非常小!;可能需要在选择时考虑 xtol
)。
代码:
from scipy import optimize
SECRET_VAL = 0.7
def black_box(x):
if x > SECRET_VAL:
return 1.
else:
return 0.
def wrapper(x):
return x + 1 - black_box(x)
res = optimize.minimize_scalar(wrapper, bracket=(0,1), method='golden')
print(res)
输出:
fun: 0.7000000042155881
nfev: 44
nit: 39
success: True
x: 0.7000000042155881
或 secret_val=0.04
:
fun: 0.04000000033008555
nfev: 50
nit: 45
success: True
x: 0.040000000330085564
或者如果你知道你需要什么样的精度(原始秘密0.7):
res = optimize.minimize_scalar(wrapper, bracket=(0,1), method='golden',
options={'xtol': 1e-2})
输出:
fun: 0.7000733152965655
nfev: 16 !!!!!
nit: 11
success: True
x: 0.7000733152965655
备注:
最好在此处编写一个自定义的基于二分搜索的解决方案(不是 100% 确定)。但是考虑到缺少单峰性等假设,需要小心。
编辑: 好的......我终于设法将这个最小化问题转换为寻根问题,可以更有效地解决!
警告:
很明显,wrapper
永远不会返回 0.0
的值(找不到确切的根)!
但是二分法是关于 zero crossing within the new interval
wiki.
所以它在这里找到两个点 a, b
,其中函数的 符号 正在改变并将其解释为根(给定一些容差!)。
与前一种方法相比,这种分析不如前一种方法严格(给出的分析不多,但根据 scipy 的文档,使用纯最小化方法更容易做到)。
def wrapper_bisect(x):
return 1 - 2*black_box(x)
res = optimize.bisect(wrapper_bisect, 0, 1, xtol=1e-2, full_output=True)
print(res)
输出:
(0.6953125, converged: True
flag: 'converged'
function_calls: 9
iterations: 7
root: 0.6953125)
鉴于上述假设(并且只有这些),这应该是理论上最优的算法(我们将函数评估的数量从 16 减少到 9;优化-objective 更差,但在范围内)!
最后一个测试:
secret: 0.9813; xtol: 1e-4
:
金色:
fun: 0.9813254238281632
nfev: 25
nit: 20
success: True
x: 0.9813254238291631
二分法:
(0.98126220703125, converged: True
flag: 'converged'
function_calls: 16
iterations: 14
root: 0.98126220703125)