1

我目前正在使用 scipy optimize.minimize 来获取具有 5 个参数的函数的最小值。我希望将四个输入作为函数的固定参数放入，并且我希望 optimize.minimize 给我第五个输入的值，以便从函数中获得尽可能低的输出。

这是我目前的代码：

from numpy import array
import scipy.optimize as optimize
from scipy.optimize import minimize

def objective(speed, params):
    a,b,c,d=params
    return abs(rg.predict([[speed,params]]))

p0=np.array([[98.3,46.9,119.9,59.1]])

x0=np.array([[4]])
result = optimize.minimize(objective, x0, args=(p0,),method='nelder-mead')
print(result.x)

我正在寻找一种能够在 optimize.minimize 函数内部传递固定参数列表或数组的方法。但是上面的代码给了我这个错误：

ValueError: not enough values to unpack (expected 4, got 1)

我似乎使它工作的唯一方法是在输入中进行硬编码，如下所示：

def objective(params):
 a=100
 b=20
 c=119.9
 d=params
 e=59.1
 return abs(rg.predict([[a,b,c,d,e]]))

x0=np.array([[4.5]])
result = optimize.minimize(objective, x0, method='nelder-mead')
print(result.x)

我是否以正确的方式处理这个问题？如何将列表或数组作为固定输入传递？

4

2 回答 2

1

传递的元组args将传递*args给目标函数。如果您以您的方式定义目标函数，它需要一个输入参数（除了speed要最小化），因此传递一个单元素元组(p0,)作为args关键字 tominimize是完美的。您的错误出现在函数调用之后：

ValueError: not enough values to unpack (expected 4, got 1)

这实际上来自目标函数的第一行：

a,b,c,d=params # params = np.array([[98.3,46.9,119.9,59.1]])

您传递的数组p0有两组方括号，因此它具有 shape (1,4)。数组沿着它们的第一个维度解包，因此在解包过程中，它的行为就像一个 1 元组（包含一个 4 元素数组）。这就是为什么您不能将形状解压缩(1,4)为四个变量，因此会出现错误。

这基本上是一个错字（一个太多的方括号），不值得一个完整的答案。毕竟我写这个的原因是因为根据您的用例，直接在函数的签名中定义这些参数可能更容易，并在最小化期间​​相应地传递这些参数：

def objective(speed, a, b, c, d):
    ... # return stuff using a,b,c,d

# define a0, b0, c0, d0 as convenient
result = optimize.minimize(objective, x0, args=(a0,b0,c0,d0), method='nelder-mead')

像这样定义函数是否更优雅取决于如何轻松定义固定参数以及这些参数在objective. 如果您只是要像在 MCVE 中那样传递参数列表，那么首先不需要分离这些变量，但是如果这四个输入在计算中的涉及非常不同，那么处理每个输入可能是有意义的分别从您的目标函数的定义开始。

于 2018-08-17T00:28:55.207 回答
0

这些是线性约束，形式为Ax = b。例如，假设我们想保持前两个变量x0, x1(your a, b) 固定：

A = [[ 1 0 0 ... ]
     [ 0 1 0 ... ]]
b = [b0 b1]

有一种通用方法可以将线性约束问题Ax = b 转换为变量较少的无约束问题，在此示例中n - 2，使用SVD。
minlin.py在我的要点下 是一个用于此过程的 numpy SVD 的单页包装器。它的文档：

""" Minlin: convert linear-constrained min f(x): Ax = b
to unconstrained min in fewer variables.
For example, 10 variables with 4 linear constraints, A 4 x 10,
-> 6 unconstrained variables:

minlin = Minlin( A, b, bigfunc, verbose=1 )   # bigfunc( 10 vars )
then
minimize( minlin.littlefunc, minlin.y0 ... )  # littlefunc( 6 vars )
    with your favorite unconstrained minimizer. For example,

from scipy.optimize import minimize
res = minimize( minlin.littlefunc, minlin.y0 ... )
fbest = res.fun
ybest = res.x  # 6 vars
xbest = minlin.tobig(ybest)  # 10 vars
    = minlin.x0  + y . nullspace  from svd(A)
    x0 = Ainv b = lstsq( A, b )

Methods: .func(x) .tonullspace(X) .torowspace(X) .tobig(y)
Attributes: .sing .Vt .Vtop .Vnull .x0

How it works, in a simple case:
consider holding x0 = b0, x1 = b1 fixed, i.e.
A = [[ 1 0 0 ... ]
     [ 0 1 0 ... ]]
We can minimize unconstrained over the n - 2 variables [x2 x3 ...]
if we could find them / find a basis for them, given just A.
This is what SVD / Minlin does.
"""

对于您的问题，这可能是矫枉过正。但是，很好的问题——环顾四周，通过改变你理解的几个变量来试图理解 5d 中的粗糙国家，是一件好事。

于 2018-08-22T11:08:30.763 回答