我正在尝试使用Nelder-Mead方法优化某些功能，我需要帮助来理解一些参数。我对数值优化世界还很陌生，因此，请原谅我对经验丰富的用户显而易见的不了解。我注意到我已经看过minimize(method=’Nelder-Mead’)和scipy.optimize.minimize了，但是它并没有我希望的那么多。我正在尝试在两种情况下优化函数$ f $：（i）我希望一旦$ f $的值低于某个特定值就停止优化，并且（ii）一旦参数在最佳值附近，我就不会希望优化器再次增加步长（即，一旦它达到阈值以下并保持低于此值几次迭代，我希望优化终止。）这是我使用的优化代码：
scipy.optimize.minimize(fun=f, x0=init_pos, method="nelder-mead",
options={"initial_simplex": simplex,
"disp": True, "maxiter" : 25,
"fatol": 0.50, "adaptive": True})
其中f是我的函数（ f：RxR-> [0，sqrt（2）））。我知道x0=init_pos是 f 的初始值，"initial_simplex": simplex是初始三角形（在我的2D情况下），"maxiter" : 25意味着优化器将运行到终止前进行25次迭代。
以下是我不了解/不确定的事情：
网站1说：“ fatol：迭代之间在func（xopt）中的绝对错误是可以接受的。”由于我的函数的最佳值为 f（xopt）= 0 ，"fatol": 0.50的意思是一旦 f（x）具有值小于等于0.5？如果没有，我该如何修改终止条件（在我的情况下，如何确保一旦 f（x）<= 0.5 即可终止）？我可以，如果优化器在给出 <0.5 的区域内运行更多的迭代，但是现在它倾向于以完全随机的方式跳出接近最佳的区域，我希望能够防止它（如果可能）。
据我所知，“ xatol：迭代之间xopt中的绝对误差对于收敛是可以接受的。”表示一旦最佳参数与当前参数之间的差异最大为xatol，优化就会终止。由于原则上我不知道先验的 xopt 是什么，因此在实际上意味着一旦| x_n-x_（n + 1）|，优化器将停止运行吗？如果不是，是否有添加约束以在函数接近最佳点时停止该函数的方法？
如果有人可以回答或给我比SciPy文档更好的参考，我将不胜感激。
答案 0 :(得分：0)