Question

为了最小化关于2个参数的函数，我在R中使用optim或optimx函数，两者都使用Nelder-Mead方法。对于optim和optimx函数，我分别将itnmax和maxit修复为1，但这需要我花费大量时间来解决它。 itnmax = 1或maxit = 1真的意味着1个迭代步骤吗？因为如果是的话，它不会花费这么多时间。

这是使用f函数最小化的optim函数。评估功能大约需要10秒钟。我在10分钟后停止了优化，因为它仍然没有完成。

parmin=optimx(c(3,0.04),fn=f,method="Nelder-Mead",itnmax=1)

Answer 1

具有评估计数器的测试功能，强制延迟（我将其设置为1秒）和跟踪输出（对于我们中间的不耐烦）

eval_count <- 0
f <- function(x) { 
     cat(".")
     eval_count <<- eval_count + 1
     Sys.sleep(1) 
     return(sum(x^2) )
}

parmin=optimx(c(3,0.04),fn=f,method="Nelder-Mead",itnmax=1)
eval_count ## 52

所以每次评估大约10秒钟，我预计你的功能需要大约520秒（但可能更长，具体取决于细节 - 见下文）。

那么这里发生了什么？主要问题是optimx通过一种昂贵的方法计算Hessian（Richardson外推：见?numDeriv::grad）以便进行更严格的收敛测试。它还在启动时进行了一些测试。 ?optimx说（根据控制参数的详细信息）：

kkt = FALSE如果我们不想测试Kuhn，Karush，Tucker最优性条件。默认值为TRUE。但是，因为Hessian计算可能非常慢......

如果你的目标函数远非二次方，那么Richardson推断可能会更加昂贵（需要更多的函数调用），这可以解释8.7分钟（= 52 * 10/60）和10分钟之间的差异。或者，如果你的函数需要12秒而不是10秒，那么这也会带来期望＆gt; 52个功能评估需要10分钟。

eval_count <- 0
parmin=optimx(c(3,0.04),fn=f,method="Nelder-Mead",itnmax=1,
      control=list(starttests=FALSE,kkt=FALSE))
eval_count ## 5

R中使用optim和optimx函数的迭代次数

1 个答案: