问题是,我试图为我的目的设计拟合程序,并希望使用scipy的差分进化算法作为初始值的一般估计,然后将用于LM算法以更好地拟合。我想用DE最小化的函数是分析定义的非线性函数和一些实验值之间的最小平方。我卡住的地方是功能设计。如scipy中所述:" 函数必须采用 f(x,* args)的形式,其中x是1-D数组形式的参数, args是完全指定函数所需的任何其他固定参数的元组"
有一个丑陋的代码示例,我为了说明目的而编写:
def func(x, *args):
"""args[0] = x
args[1] = y"""
result = 0
for i in range(len(args[0][0])):
result += (x[0]*(args[0][0][i]**2) + x[1]*(args[0][0][i]) + x[2] - args[0][1][i])**2
return result**0.5
if __name__ == '__main__':
bounds = [(1.5, 0.5), (-0.3, 0.3), (0.1, -0.1)]
x = [0,1,2,3,4]
y = [i**2 for i in x]
args = (x, y)
result = differential_evolution(func, bounds, args=args)
print(func(bounds, args))
我想将原始数据作为元组提供给函数,但似乎不是它的假设,因为解释器对函数并不满意。问题应该很容易解决,但我真的很沮丧,所以建议将非常感激。
答案 0 :(得分:6)
这是一个直截了当的解决方案,显示了这个想法,代码也不是非常pythonic但是为了简单起见,我认为它足够好。好的例如,我们希望将y = ax ^ 2 + bx + c的等式拟合到从等式y = x ^ 2获得的数据。很明显,参数a = 1和b,c应该等于0.由于差分进化算法找到函数的最小值,我们希望找到一般方程解析解的最小均方根偏差(同样,为简单起见) y = ax ^ 2 + bx + c)具有给定参数(提供一些初始猜测)vs" experimental"数据。所以,代码:
from scipy.optimize import differential_evolution
def func(parameters, *data):
#we have 3 parameters which will be passed as parameters and
#"experimental" x,y which will be passed as data
a,b,c = parameters
x,y = data
result = 0
for i in range(len(x)):
result += (a*x[i]**2 + b*x[i]+ c - y[i])**2
return result**0.5
if __name__ == '__main__':
#initial guess for variation of parameters
# a b c
bounds = [(1.5, 0.5), (-0.3, 0.3), (0.1, -0.1)]
#producing "experimental" data
x = [i for i in range(6)]
y = [x**2 for x in x]
#packing "experimental" data into args
args = (x,y)
result = differential_evolution(func, bounds, args=args)
print(result.x)