1

考虑以下简单的优化问题。

from symfit import parameters, Eq, Ge, Fit, log
from symfit.core.minimizers import BasinHopping

n = 3
# xdata = np.sort(np.random.choice(range(1, 4*n), n))
xdata = [2, 8, 11]
print(xdata)
p1, p2, p3 = parameters('p1, p2, p3')
model = p1*p2*p3
# model = log(p1)+log(p2)+log(p3)
constraints = [
    Eq(xdata[0]*p1+(xdata[1]-xdata[0])*p2+(xdata[2]-xdata[1])*p3, 1),
    Ge(p1, p2),
    Ge(p2, p3),
    Ge(p3, 0.00001)
    ]

fit2 = Fit(- model, constraints=constraints)
print(fit2.execute(options={"ftol": 1e-12}))
fit0 = Fit(- model, constraints=constraints, minimizer=BasinHopping)
print(fit0.execute())

这给出了最佳值： 

Parameter Value        Standard Deviation
p1        1.666668e-01 nan
p2        7.407405e-02 nan
p3        7.407405e-02 nan

适用于 fit0 和 fit2。两者的总运行时间约为 3 秒。BasinHopping 使用 567 次迭代。

现在让我们简单地记录目标函数。所以我们有：

model = log(p1)+log(p2)+log(p3)

而不是model =上面的行。这应该给出完全相同的结果，并且 fit2 确实有效并且需要大约 1 秒。但是，会发生以下情况：

fit0（即 BasinHopping）需要 110137 次迭代和 7 分钟来计算最优值。

这里出了什么问题？

4

0 回答 0