我尝试使用R中的函数U48meas优化Th0U8meas和optim，但正如您在下面的代码中看到的那样，结果相当差：结果{{1 }}和U48calc分别远离目标Th0U8calc和U48meas值。
有没有人有关于如何改善健康的提示？
Th0U8meas答案 0 :(得分：0)
嗯，通常我不会认为这是一个答案，但是评论的时间太长了。
如何改善健康的提示？
其中两项估计是在边界上。以下是估算值与您给出的界限的对比情况：
est lbound ubound
1.00e-12 1e-14 1.0e-12 estimate = upper bound
1.00e+04 1e+04 6.0e+04 estimate = lower bound
1.22e+00 1e+00 1.3e+00 nicely in the middle
对边界的估计通常很糟糕。你应该考虑边界的来源，并确保它们准确设置。
参数具有极其不同的比例。这对optim不利，当任何参数的1单位变化与另一参数的1单位变化具有大致相似的效果时，基于梯度的方法效果最佳。您可以提供parscale参数以自动重新缩放它们。 ?optim帮助说＆＃34; 优化是在par/parscale上执行的，这些应该具有可比性，因为任何元素的单位变化都会产生缩放值的单位变化＆＃34 ;.这些不必接近精确，但让参数范围接近同一数量级可能会有很大帮助。
与无界参数值相比，边界总是不太理想。与重新缩放类似，您可以缩放参数以生成边界（0,1），然后应用logit变换将其映射到（-Inf，Inf）。然后，您可以估计这些无界参数并应用逆变换以获得原始比例的值。这为您提供了更大的灵活性，因为您可以使用任何方法，而不仅仅是L-BFGS。
使用其他control参数来尝试诊断问题并提高性能。打开trace可以更好地了解正在发生的事情。也许减少公差并增加最大迭代次数。
请改用optimx。 optim，optimx的作者John Nash建议人们使用他的for pixel in polygon: # predetermined using a basic scan-line polygon-fill algorithm
edge_distances = {}
for edge in polygon:
distance = calc_point_to_line_distance(pixel, edge) # simple formula, constant time
edge_distances[edge] = distance
colour = calc_pixel_colour(edge_distances) # runs in O(num_edges) time
set_pixel_colour(pixel, colour)
软件包以获得更好的性能和稳健性。