Question

我正在尝试使用scipy.optimize来确定3个参数（变量）的最佳值。我从一个非常简单的优化函数开始，该函数将分析的参数与一些预定义（过去）值相加。使用某些固定值绑定值。当我处理最大化问题时，我将sign参数的值设置为-1。但是，scipy会将[0, 0, 0]作为最佳值返回（与设置sign=1相同），而正确的解决方案是[2, 2, 2]。我设置错了吗？我错过了什么？

import scipy.optimize as optimize
import numpy as np

old = [1,1,1]

def f(params,sign=-1.0):
    first, second, third = params
    return sum(old+[first, second, third])

initial_guess = [2,2,2]

in1 = 1
in2 = 2
in3 = 1

bnds = ((0, in1+2), (0, in2+2), (0, in3+2))
result = optimize.minimize(f, initial_guess, bounds=bnds)

print result.x

Answer 1

通常，在执行非线性优化时，像您的函数这样的库只采用单个参数向量。一般来说，一个好主意，如果你想最大化一个函数是最小化它的逆。如果你只想最大化x1+x2+x3的价值，我会用这种方式写出来：

from scipy.optimize import minimize

def f(x):
    return 1/sum(x)

guess = [2,2,2]
x1bnds = (0, 3)
x2bnds = (0, 4)
x3bnds = (0, 5)
bnds = (x1bnds, x2bnds, x3bnds)
result = minimize(f, guess, bounds=bnds)

print(result.x)将为您提供[3,4,5]，因为优化程序会达到界限。

如果你想操作输入参数和其他一些值之间的距离，我会修改设置：

from functools import partial
from scipy.optimize import minimize
import numpy as np

other_values = np.asarray([3,4,5])
def f(x, other_pts):
    x_lcl = np.asarray(x)
    difference = x_lcl-other_pts
    return 1/difference.sum()

guess = [2,2,2]
x1bnds = (0, 3)
x2bnds = (0, 4)
x3bnds = (0, 5)
bnds = (x1bnds, x2bnds, x3bnds)
f_opt = partial(f, other_values)
result = minimize(f_opt, guess, bounds=bnds)

print(result.x)将为您提供[0,0,0]，因为优化程序会达到界限。

最好让你优化的函数不依赖于外部数据（全局变量） - 使用partial会使一切变得更好。

如果你不想使用numpy，你可以使用列表推导来进行x和其他参数向量的元素减法，但这样做的事情会更好一些。

使用scipy进行错误优化（最大化）

1 个答案: