Question

我已经实现了一种能够同时适应多个数据集的算法。它基于这个解决方案：multi fit

目标函数太复杂而无法在此显示（LaFortune散点模型），因此我将使用解决方案中的目标函数进行解释：

def lor_func(x,c,par):
    a,b,d=par
    return a/((x-c)**2+b**2)

如果选择导致par的参数集lor_func < 0，我该如何惩罚拟合算法。

从数学的角度来看，目标函数的负值是有效的。因此，导致此负目标函数的参数集par可能是具有最小错误的解决方案。但我想排除这些解决方案，因为它们既不是物理上有效的。

类似的功能：

def lor_func(x,c,par):
    a,b,d=par
    value = a/((x-c)**2+b**
    return max(0, value)

不起作用，因为拟合返回错误数据，因为它也优化了0值。结果将与正确的结果不同。

Answer 1

使用scipy.optimize.least_squares的bounds参数？

res = least_squares(func, x_guess, args=(Gd, K),
                    bounds=([0.0, -100, 0, 0],
                            [1.0, 0.0, 10, 1]),
                             max_nfev=100000, verbose=1)

像我在这里做的那样： Suggestions for fitting noisy exponentials with scipy curve_fit?

scipy leastsq fit - 惩罚某些解决方案

1 个答案: