用 linear/non-linear 回归拟合两条曲线

Question

我需要用 JuMP 将两条曲线（都属于三次函数）拟合到一组点中。

我已经完成了一条曲线的拟合，但我正在努力将 2 条曲线拟合到同一个数据集中。

我想如果我可以将点分布到曲线上——所以如果每个点只能使用一次——我可以像下面那样做，但它没有用。（我知道我可以使用更复杂的东西，我想保持简单。）

这是我当前代码的一部分：

# cubicFunc is a two dimensional array which accepts cubicFunc[x,degree]

@variable(m, mult1[1:4]) // 0:3 because it's cubic
@variable(m, mult2[1:4]) // 0:3 because it's cubic

@variable(m, 0 <= includeIn1[1:numOfPoints] <= 1, Int)
@variable(m, 0 <= includeIn2[1:numOfPoints] <= 1, Int)

# some kind of hack to force one of them to 0 and other one to 1
@constraint(m, loop[i in 1:numOfPoints], includeIn1[i] + includeIn2[i] == 1)

@objective(m, Min, sum( (yPoints - cubicFunc*mult1).*includeIn1 .^2 ) + sum( (yPoints - cubicFunc*mult2).*includeIn2 .^2 ))

但它会根据我的尝试给出各种错误； *includeIn1 和 .*includeIn1 不起作用，我尝试通过 @NLobjective 来完成，但它让我大吃一惊 ~50 行错误等

我的想法现实吗？我可以把它写进代码吗？

我们将不胜感激任何帮助。非常感谢。

Answer 1

您可以写下问题，例如像这样：

using JuMP, Ipopt

m = Model(with_optimizer(Ipopt.Optimizer))

@variable(m, mult1[1:4])
@variable(m, mult2[1:4])
@variable(m, 0 <= includeIn1[1:numOfPoints] <= 1)
@variable(m, 0 <= includeIn2[1:numOfPoints] <= 1)

@NLconstraint(m, loop[i in 1:numOfPoints], includeIn1[i] + includeIn2[i] == 1)

@NLobjective(m, Min, sum(includeIn1[i] * (yPoints[i] - sum(cubicFunc[i,j]*mult1[j] for j in 1:4)) ^2 for i in 1:numOfPoints) +
                     sum(includeIn2[i] * (yPoints[i] - sum(cubicFunc[i,j]*mult2[j] for j in 1:4)) ^2 for i in 1:numOfPoints))

optimize!(m)

鉴于约束 includeIn1 和 includeIn2 将是 1 或 0 最佳（如果不是，这意味着您对哪个组并不重要分配点），因此我们不必将它们约束为二进制。我还使用非线性求解器，因为问题似乎无法重新表述为线性或二次优化任务。

不过，上面的代码只是作为示例，您可以如何写下来。您制定的任务没有唯一的局部最小值（那时是全局最小值），但有几个局部最小值。因此，使用 JuMP 支持的标准非线性凸求解器只能找到一个局部最优解（不一定是全局最优解）。为了寻找全局最优解，您需要切换到全局求解器，例如https://github.com/robertfeldt/BlackBoxOptim.jl.

用 linear/non-linear 回归拟合两条曲线

Fitting two curves with linear/non-linear regression

julia

regression

mathematical-optimization

curve-fitting

julia-jump