Question

我有一个需要在python中解决的优化问题。一般结构是

def foo(a, b, c, d, e):
    # do something and return one value


def bar(a, b, c, d, e, f, g, h, i, j):
    # do something and return one value


def func():
    return foo(a, b, c, d, e) - bar(a, b, c, d, e, f, g, h, i, j)

我想使用least_squares最小化并返回f, g, h, i and j的值作为列表，其中方差是foo和bar之间的最小值。我不确定如何使用least_squares。

我试过这个：

# Initial values f, g, h, i, j
x0 =[0.5,0.5,0.5,0.05,0.5]

# Constraints
lb = [0,0,0,0,-0.9]
ub = [1, 100, 1, 0.5, 0.9]

x = least_squares(func, x0, lb, ub)

如何将x作为f, g, h, i and j最小值列表的返回值？

Answer 1

您当前定义问题的方式相当于最大化bar（假设您将func传递给最小化函数）。由于您没有将参数a更改为e，func基本上是常量和可以调整的bar结果之间的差异;由于负号，它将被试图最大化，因为这将最小化整个功能。

我认为你真正想要最小化的是两个函数之间的绝对值或平方差。我用一个简单的例子说明我假设函数只返回参数的总和：

from scipy.optimize import minimize

def foo(a, b, c, d, e):
    # do something and return one value

    return a + b + c + d + e

def bar(a, b, c, d, e, f, g, h, i, j):
    # do something and return one value
    return a + b + c + d + e + f + g + h + i + j

def func1(x):
    # your definition, the total difference
    return foo(x[0], x[1], x[2], x[3], x[4]) - bar(x[0], x[1], x[2], x[3], x[4], x[5], x[6], x[7], x[8], x[9])

def func2(x):
    # quadratic difference
    return (foo(x[0], x[1], x[2], x[3], x[4]) - bar(x[0], x[1], x[2], x[3], x[4], x[5], x[6], x[7], x[8], x[9]))**2

# Initial values for all variables
x0 = (0, 0, 0, 0, 0, 0.5, 0.5, 0.5, 0.05, 0.5)

# Constraints
# lb = [0,0,0,0,-0.9]
# ub = [1, 100, 1, 0.5, 0.9]
# for illustration, a, b, c, d, e are fixed to 0; that should of course be changed
bnds = ((0, 0), (0, 0), (0, 0), (0, 0), (0, 0), (0., 1), (0., 100.), (0, 1), (0, 0.5), (-0.9, 0.9))

res1 = minimize(func1, x0, method='SLSQP', bounds=bnds)
res2 = minimize(func2, x0, method='SLSQP', bounds=bnds)

然后你得到：

print res1.x
array([   0. ,    0. ,    0. ,    0. ,    0. ,    1. ,  100. ,    1. ,
          0.5,    0.9])

和

print res1.fun
-103.4

如上所述，所有参数都将转到上限以最大化bar，从而最小化func。

对于改编后的函数func2，您会收到：

res2.fun
5.7408853312979541e-19  # which is basically 0

res2.x
array([ 0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
    0.15254237,  0.15254237,  0.15254237,  0.01525424, -0.47288136])

因此，正如预期的那样，对于这个简单的情况，可以选择这两个函数之间的差异变为0的方式。显然，参数的结果不是唯一的，它们也可以都是0。

我希望这有助于使您的实际功能发挥作用。

编辑：

当你要求least_square时，它也可以正常工作（使用上面的函数定义）;然后总差异就可以了：

from scipy.optimize import least_squares

lb = [0,0,0,0,0,0,0,0,0,-0.9]
ub = [0.1,0.1,0.1,0.1,0.1,1, 100, 1, 0.5, 0.9]
res_lsq = least_squares(func1, x0, bounds=(lb, ub))

然后您会收到与上面相同的结果：

res_lsq.x
array([  1.00000000e-10,   1.00000000e-10,   1.00000000e-10,
         1.00000000e-10,   1.00000000e-10,   1.52542373e-01,
         1.52542373e-01,   1.52542373e-01,   1.52542373e-02,
        -4.72881356e-01])

res_lsq.fun
array([ -6.88463034e-11])  # basically 0

由于5个参数在这个问题上不会改变，我会将它们修复为某个值，并且不会将它们传递给优化调用。

Python最小二乘法用于多个变量

1 个答案: