Optim.jl 使用 Inf 作为绑定时单变量有界优化混淆输出

Question

以下是说明我的问题的独立示例。

using Optim

χI = 3
ψI = 0.5
ϕI(z) = z^-ψI
λ = 1.0532733
V0 = 0.8522423425
zE = 0.5986

wRD = 0.72166623555


objective1(z) = -(z * χI * ϕI(z + zE)  *  (λ-1) * V0 - z * ( wRD ))
objective2(z) = -1 * objective1(z)

lower = 0.01
upper = Inf

plot(0:0.01:0.1,objective1,title = "objective1")
png("/home/nico/Desktop/objective1.png")
plot(0:0.01:0.1,objective2, title = "objective2")
png("/home/nico/Desktop/objective2.png")

results1 = optimize(objective1,lower,upper)
results2 = optimize(objective2,lower,upper)

地块是

和

objective1(z) 和 objective2(z) return NaN 在 z = 0 和其他地方的有限值，对某些 z > 0 有一个最佳值。

但是 results1 的输出是

Results of Optimization Algorithm
 * Algorithm: Brent's Method
 * Search Interval: [0.010000, Inf]
 * Minimizer: Inf
 * Minimum: NaN
 * Iterations: 1000
 * Convergence: max(|x - x_upper|, |x - x_lower|) <= 2*(1.5e-08*|x|+2.2e-16): false
 * Objective Function Calls: 1001

并且 results2 的输出是

Results of Optimization Algorithm
 * Algorithm: Brent's Method
 * Search Interval: [0.010000, Inf]
 * Minimizer: Inf
 * Minimum: NaN
 * Iterations: 1000
 * Convergence: max(|x - x_upper|, |x - x_lower|) <= 2*(1.5e-08*|x|+2.2e-16): false
 * Objective Function Calls: 1001

我认为问题出在 upper = Inf。例如，如果我将其更改为 upper = 100，results1 的输出为

Results of Optimization Algorithm
 * Algorithm: Brent's Method
 * Search Interval: [0.010000, 100.000000]
 * Minimizer: 1.000000e-02
 * Minimum: 5.470728e-03
 * Iterations: 55
 * Convergence: max(|x - x_upper|, |x - x_lower|) <= 2*(1.5e-08*|x|+2.2e-16): true
 * Objective Function Calls: 56

和results2returns

Results of Optimization Algorithm
 * Algorithm: Brent's Method
 * Search Interval: [0.010000, 100.000000]
 * Minimizer: 1.000000e+02
 * Minimum: -7.080863e+01
 * Iterations: 36
 * Convergence: max(|x - x_upper|, |x - x_lower|) <= 2*(1.5e-08*|x|+2.2e-16): true
 * Objective Function Calls: 37

符合预期。

Answer 1

正如您在问题中指出的那样 - 您使用 有界优化 算法，但您向其传递了一个无界间隔。

引用文档 (https://julianlsolvers.github.io/Optim.jl/latest/#user/minimization/)，optimize 函数是用于最小化有界区间上的单变量函数。

更详细地说明您遇到的问题。 optimize 方法搜索区间内的点。实现了两种算法：布伦特（默认）和黄金分割。他们首先检查的点是：

new_minimizer = x_lower + golden_ratio*(x_upper-x_lower)

你看到它 new_minimizer 将是 Inf。因此优化程序甚至无法找到有效的内点。然后你看到你的函数 return NaN for Inf argument:

julia> objective1(Inf)
NaN

julia> objective2(Inf)
NaN

这个组合可以解释为什么在生成的输出中找到的最小值是 Inf 而 objective 是 NaN。

第二点是你要记住Float64数的精度是有限的，所以你应该选择区间，以确保该方法实际上能够准确地评估objective 在里面。例如，即使这样也失败了：

julia> optimize(objective1, 0.0001, 1.0e308)
Results of Optimization Algorithm
 * Algorithm: Brent's Method
 * Search Interval: [0.000100, 100000000000000001097906362944045541740492309677311846336810682903157585404911491537163328978494688899061249669721172515611590283743140088328307009198146046031271664502933027185697489699588559043338384466165001178426897626212945177628091195786707458122783970171784415105291802893207873272974885715430223118336.000000]
 * Minimizer: 1.000005e+308
 * Minimum: -Inf
 * Iterations: 1000
 * Convergence: max(|x - x_upper|, |x - x_lower|) <= 2*(1.5e-08*|x|+2.2e-16): false
 * Objective Function Calls: 1001

原因是 objective1 对于非常大的参数（因为它具有有限的精度）实际上开始以数值不稳定的方式表现，参见：

julia> objective1(1.0e307)
7.2166623555e306

julia> objective1(1.0e308)
-Inf

最后一点是实际上 Optimize 告诉你出了点问题，你不应该依赖结果：

julia> results1.converged
false

julia> results2.converged
false

对于问题的初步说明（with Inf）。

Optim.jl 使用 Inf 作为绑定时单变量有界优化混淆输出

Optim.jl univariate bounded optimization confusing output when using Inf as bound

optimization

julia

numerical-methods

nonlinear-optimization