scipy 中的步长优化最小化

Question

我正在运行通过改变 3 个参数进行模拟。对于每个模拟，我都会计算一个指数，告诉我模拟是否正在改进（较低的指数）。为此，我使用 scipy.optimize.minimize 但我不确定哪种方法最好（我正在尝试了解更多）。

def launcher(x0):
    #varying parameters#
    varying_p(x0[0], x0[1], x0[2])
    run_sim(simulation)
    results = import_results(simulation)
    indexes = index_calc(Data_from,Data_to,simulation,results)
    value = indexes['CHI_tot'].iloc[-1]
    return value

每个参数都在我用“界限”表示的范围内变化。

当我启动模拟时，每个参数的变化都非常小。将有一种方法不仅可以定义变化范围，还可以定义每个参数的步长（例如步长为 50）

这有助于更快地获得优化结果？

v_cp = 999.209
v_rho = 1249.94
v_lambda = 0.2815

initialcond = np.array([v_cp, v_rho, v_lambda])
# Bounds: valid only for method L-BFGS-B, TNC, SLSQP, Powell, and trust-constr
bounds = [(400,1600), (400,1600), (0.1, 1.2)]

res = minimize(launcher, initialcond , bounds=bounds, method='L-BFGS-B', options = {'maxiter':10})

print(res.x)

Answer 1

所有 SciPy 基于梯度的优化器（L-BFGS-B、SLSQP 等）都期望 - 显然 - objective 函数的梯度。如果你不提供，他们会尝试用一些小得离谱的步长（比如 10^-6）为你计算一个数值。这可能就是你所看到的。一些“解决方法”：

我好像记得有些优化器允许你设置梯度计算的步长（“eps”参数）
（更好）在调用优化器时将参数规范化在 0 和 1 之间，并在调用外部模拟器之前将它们去规范化。

scipy 中的步长优化最小化

Step size in scipy optimize minimize

python

optimization

scipy

minimize