Question

我使用R optimx来优化我的功能。在MATLAB中，我总是写：

function[f,g] = calculations(x,otherParameters)
% some calculations
f=someting
g=somethingOther
% Here f and g are function and gradient values that fmincon use for optimization

然后，f和g值都会提供给fmincon。但是当我使用optimx时，我应该单独提供渐变功能。这个要求的缺点是我有很多为f计算的值，然后需要估计g。因此，为梯度制作单独的函数迫使我计算两次计算效率低的值。请帮助我理解如何以最有效的方式避免R中的这个问题（例如，使全局变量看起来不是一个非常好的方法）。

Answer 1

nloptr包允许将目标函数和渐变作为双组件列表返回。请参阅插图中的示例：https://cran.r-project.org/web/packages/nloptr/vignettes/nloptr.pdf，重复此处：

library(nloptr)

eval_f_list <- function(x) {
  common <- x[2] - x[1] * x[1]
  return( list(objective = 100 * common^2 + (1 - x[1])^2,
               gradient = c(-400 * x[1] * common - 2 * (1 - x[1]), 200 * common)))
}
x0 <- c( -1.2, 1 )
opts <- list("algorithm" = "NLOPT_LD_LBFGS", "xtol_rel" = 1.0e-8)

res <- nloptr( x0=x0, eval_f=eval_f_list, opts=opts)

Answer 2

查看public async Task help(IDialogContext context, LuisResult result) { await Conversation.SendAsync(activity, () => SimpleFacebookAuthDialog.dialog); }包。为了更详细地解释，请考虑一个简单的例子，说明如何在R中优化一个你知道存在的函数：

memoise

因为该方法在大多数相同的点评估f和g，所以有可能进行优化。

现在，如果您complex.function <- function(x){ Sys.sleep(3) } f <- function(x){ cat("f",x,"\n") complex.function(x) (x-1)^4+(x-1)^2+7 } g <- function(x){ cat("g",x,"\n") complex.function(x) 4*(x-1)^3+2*(x-1) } system.time(optim(3.1, f, g,method="BFGS")) ##57.01sec #f 3.1 #g 3.1 #f -38.144 #f -5.1488 #f 1.45024 #g 1.45024 #f 1.398015 #g 1.398015 #f 1.146116 #g 1.146116 #f 0.8414061 #f 1.085174 #g 1.085174 #f 1.00532 #g 1.00532 #f 1.000081 #g 1.000081 #f 0.9999192 #f 1.000048具有复杂计算的函数，它会缓存输出，因此您可以执行以下操作：

memoise()

并减少调用复杂函数的次数，因此我的计算机上的执行时间从57秒减少到36秒。

检查library(memoise) complex.function2 <- memoise(function(x){ Sys.sleep(3) list(fun=(x-1)^4+(x-1)^2+7,deriv=4*(x-1)^3+2*(x-1)) }) f2 <- function(x){ cat("f2",x,"\n") complex.function2(x)$fun } g2 <- function(x){ cat("g2",x,"\n") complex.function2(x)$deriv } system.time(optim(3.1, f2, g2,method="BFGS")) ##36.02sec的帮助文件，看看您感兴趣使用的方法是否实际使用了衍生产品 - 如果没有，这一切都是没有实际意义的。

R＆lt; optimx的MATLAB风格渐变

2 个答案: