问题标签 [minimization]

E(n,k)我正在尝试优化（最小化）定义如下的二维函数：

其中Tformulated获得如下：

并且Tw是先前计算的具有复值元素的列表。我真正想做的是对于w（在“错误x，y，w ....”中使用）的每个值，我想最小化x&的值的函数“错误” y。w范围从 1 到 2048。因此，它基本上是一个 2D 最小化问题。我已经尝试过编程（尽管我一直不知道使用什么方法以及如何使用它）；我的代码如下：

我不确定即使fmin_powell是正确的方法。

我有这些表面由它们在空间中的位置（x，y，z）定义。理想情况下，它们应该相交，但并非总是如此。但是，应该有一个点与所有表面的 Ecludian 距离最短。我的曲面没有解析表达式。我如何找到这一点，而不是遍历所有可能的候选人，这可能是数千人？

我正在尝试使用 Nelder-Mead 方法的 scipy.optimize.minimize 模块对非线性函数进行两个变量优化。优化总体上非常成功，但在这两者之间，优化变量中的值突然跳跃，然后优化参数曲线遵循相同的形状，但有直流偏移。该图像可能有助于理解我的问题。我玩过函数容差，但徒劳无功。这种跳跃对进一步的编程造成了严重破坏。这些图像是[社区编辑以内联图像] 这里：

首先，有故障的优化变量：

二、毛刺放大图：

第三，第一个优化变量在同一点之后对第二个优化变量造成的破坏：

绿点是预期的优化曲线，而蓝线是获得的优化曲线。

我知道 fminsearch 函数，但它似乎只能解决一个变量。

如果我的函数看起来像 f(x,y,z) 并且我想找到给出最低结果的 x,y,z 的值，我将如何在 MatLab 中执行此操作？f 的复杂性会使计算偏导数变得异常困难。

任何帮助将不胜感激，谢谢！

我有一个绘图应用程序。我需要应用程序从最小化中恢复（单击返回直到应用程序最小化）。正如我从几个论坛中了解到的那样，最好的方法和最简单的方法是将位图保存到本地临时文件夹，然后从中打开位图。我没有找到任何教程或示例如何完成。

你能否就这个问题提出一些好的教程，或者如果你在发布你的解决方案之前做过这样的事情。

谢谢，

给定矩阵形式的输入输出函数：

带p1−p6参数。我想使用高斯牛顿法最小化最小二乘误差。假设我们有 100 个测量值。我的问题是关于残差向量的计算和大小。

r _i = 输出 - f（输入，参数）

错误 = 总和 (r _i ² )

为了计算误差最小的参数，我们有：

p _i+1 =p _i + Δ

Δ= (J ^T *J) ^-1 * J ^T * r _i

我认为每个的大小如下：

输入向量（x）：100x2

输出向量（y）：100x2

剩余（r）：100x2

雅可比 (J) : 100x6

参数（pi）：6x1（六个参数）

如您所见，Δ 的大小将是 6x2，这似乎与p_i+1 现在我的残差向量计算过程是否正确？如果是，我该如何计算参数的向量？如果不是，正确的答案是什么？

另一件事是关于参数矩阵的计算方式J（雅可比）。

太感谢了。

我试图最小化经验人类数据和来自 6 参数认知模型的模拟数据之间的损失函数。该模型非常嘈杂。请注意，模型是在 PYTHON 中编程的。

标准方法是使用单纯形搜索。但是，Simplex 非常依赖于初始猜测，捕获局部最小值的风险很高。所以我有两个问题：

1）我想知道是否不能使用遗传算法首先搜索全局最小值的近似位置，并将结果作为单纯形搜索的起点。如果这是一个好主意，有人知道在 python 中适当的遗传算法的良好实现吗？

2) 我应该为单纯形搜索使用哪个反射、扩展和收缩常数？

任何帮助将不胜感激。

干杯，垫

这是我在 stackoverflow 上的第一篇文章，所以如果这不是正确的区域，我深表歉意。我正在努力最小化 L1 正则化系统。

这个周末是我第一次深入优化，我有一个基本的线性系统 Y = X*B，X 是一个 n×p 矩阵，B 是一个 p×1 模型系数向量，Y 是一个 n× -1 输出向量。

我试图找到模型系数，我已经实现了梯度下降和坐标下降算法来最小化 L1 正则化系统。为了找到我正在使用回溯算法的步长，我通过查看梯度的 norm-2 并终止算法，如果它“足够接近”为零（现在我使用的是 0.001）。

我试图最小化的函数是以下 (0.5)*(norm((Y - X*B),2)^2) + lambda*norm(B,1)。（注意：通过 norm(Y,2) 我的意思是向量 Y 的 norm-2 值）我的 X 矩阵是 150×5 并且不是稀疏的。

如果我将正则化参数 lambda 设置为零，我应该收敛于最小二乘解，我可以验证我的两种算法都做得很好而且相当快。

如果我开始增加 lambda，我的模型系数都趋向于零，这就是我所期望的，但我的算法永远不会终止，因为梯度的 norm-2 始终是正数。例如，1000 的 lambda 将给我 10^(-19) 范围内的系数，但我的梯度的 norm2 约为 1.5，这是经过数千次迭代后，而我的梯度值都收敛到 0 到 1 的某个值范围，我的步长变得非常小（10 ^（-37）范围）。如果我让算法运行更长时间，情况并没有改善，它似乎已经以某种方式卡住了。

我的梯度和坐标下降算法都收敛于同一点，并为终止条件给出相同的 norm2（梯度）数。它们也适用于 0 的 lambda。如果我使用非常小的 lambda（比如 0.001）我会收敛，如果我运行一两个小时，0.1 的 lambda 看起来会收敛，一个更大的 lambda 并且收敛速度太小没用。

我有几个问题，我认为可能与问题有关？

在计算梯度时，我使用有限差分法 (f(x+h) - f(xh))/(2h))，h 为 10^(-5)。对 h 的这个值有什么想法吗？

另一个想法是，在这些非常小的步骤中，它在几乎与最小值正交的方向上来回移动，这使得收敛速度如此缓慢以至于毫无用处。

我最后的想法是，也许我应该使用不同的终止方法，也许看看收敛速度，如果收敛速度非常慢，则终止。这是一种常见的终止方法吗？

我想通过按返回和主页按钮来最小化应用程序。所以我使用了以下代码。

在签署应用程序之前，它在模拟器和设备中运行良好。但是签名后，应用程序会通过按返回按钮关闭。我也试过下面的代码。

但结果是一样的。任何建议都会有所帮助。

你是我最后的希望。在我的大学里，没有人能回答我的问题。我有一个非常复杂的函数，取决于 6 个参数 a0、a1、a2、b0、b1、b2，它们最小化了由一个相当新的状态方程计算的压力、体积液体和体积蒸汽的增量。NMinimize 非常慢，我无法对这个等式做任何考虑，因为时间非常高。在代码中有一些关于我的代码的解释和一些问题。我跪下祈求你帮助我。很抱歉，在构建这些方程式 4 个月后，我无法对其进行测试。而且挫败感一天比一天高！

提前致谢！Mariano Pierantozzi 化学工程博士生