0

我有一个用 python 编写的应用程序，用于计算函数的最小返回值。我使用 scipy.optimize.mminimize 和 SLSQP 作为优化方法。它循环运行，为了节省时间并将其从仅查找局部最小值中解脱出来，我需要它来使用我提供的 x0。问题似乎是它不在乎我给它什么 x0。它只是从随机值开始优化。我做错了什么？

我编写了一个小型测试应用程序来测试最小化器上的 x0：

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import minimize
global log
log = []
counter = 0
def callback(x):
    global counter
    counter += 1
    log.append(x)
    print('u_guessx',x)
    return True


def objectivefunction(x, *arg):
    SUM = 2*x[0]**3 + 3*(3-x[0])**2 - 5*x[2]**1 + 50
    return SUM




# Defining Initial Conditions
u_guess = np.array([0 for u in range(3)])
#u_guess = np.zeros(4)
print("u shape: ",u_guess.shape)
print("u_init: ",u_guess)

#Simulation loop:
bounds_u = [(0,20) for i in u_guess]


# Run Optimizer
solution_guess = minimize(objectivefunction,
                          u_guess,
                          method = 'SLSQP',
                          callback = callback,
                          bounds=bounds_u,
                          options={'ftol': 1e-9, 'disp': True},
                          )
u_guess = solution_guess.x
u_opt = u_guess.item(0)



print("type(solution_guess.x): ",type(solution_guess.x))
print("u_opt: ",u_opt)
print("solution_guess.x: ",solution_guess.x)
#print("log: ",log)
print("counter: ",counter )
4

1 回答 1

0

首先，您的目标函数（）不是错误的吗？我怀疑应该是

def objectivefunction(x, *arg):
  SUM = 2*x[0]**3 + 3*(3-x[1])**2 - 5*x[2]**1 + 50
  return SUM

在原始函数中，没有使用 x[1]，因此该算法对 x[1] 不敏感。

其次，函数 callback() 在每次迭代后被调用。因此，第一个输出不是初始条件，而是根据您的初始条件对最小值的第一次猜测。如果我运行更正后的程序并更改初始条件，它会输出不同的猜测。但是对于具有相同初始条件的不同运行，它总是输出相同的猜测。没有随机性（假设我使用目标函数的修正版本）。

于 2020-02-21T13:34:22.287 回答