问题标签 [scipy-optimize]

我正在努力scipy.minimize为一个数组的优化参数工作，我只在目标函数内查看数组的一部分。

追溯：

我正在尝试将一些实验数据拟合到具有一个参数的非线性函数，该参数包括一个反余弦函数，因此它的定义区域从-1到1受到限制。我使用scipy的curve_fit来查找函数的参数，但是它返回以下错误：

我想要适合的功能是这个：

对于拟合，我分别为 x 和 y 提供了一个 numpy 数组，其中包含度数（这就是该函数包含与弧度之间的转换的原因）。

当我使用其他拟合函数（例如多项式）时，curve_fit 返回一些值，上述错误仅在我使用包含反余弦的此函数时发生。

我怀疑它不能拟合数据点，因为根据反余弦函数的参数，一些数据点不在反余弦的定义区域内。我尝试提高迭代次数（maxfev）但没有成功。

样本数据：

我尝试解决乘以向量“因子”之和的因子 x。向量“因子”的总和应该是向量“基本”的总和。首先，我阅读了一个类似于以下 DataFrame 的 csv：

提前感谢您的帮助。

好吧，我也尝试过最小化和反弹。也许使用 scipy.optimize 会更好？

raise ValueError("目标函数必须返回一个标量")

ValueError：目标函数必须返回一个标量

我正在使用 scipy 库进行优化任务。我有一个必须最小化的功能。我的代码和功能看起来像

我的 a、b 和 c 值会随着时间而变化，并且不是恒定的。该函数不应针对 a、b、c 值进行优化，而应针对可能随时间变化的给定 a、b、c 值进行优化。如何将这些值作为目标函数的输入？

我试图解决一个最优控制问题，其中成本函数是 J = x^TQ x + u^TR u 受 x_dot = A x + B u 和 x 和 u 的限制。我知道有一些求解器，如 cvxpy、yalimp 等，可以做到这一点，但我想自己做，以便对编码和将来可能添加的一些其他参数有更好的了解。我附上了我写的代码。它运行但对所有时间步返回相同的值。我已将 x 和 u 堆叠为单个向量。我不知道这是否是正确的方法。我认为可以以更好/有效的方式编写代码。欢迎所有建议，并非常感谢您提前提供任何帮助

灰

我有 2 个固定参数(A,B)和 2 个不固定参数(C,T_o)用于计算方程中的计算响应值R_computed = A + B*tanh((T-T_o)/C)。与之比较的实际值“R”需要在两者之间具有最小的可能误差。我已经用一个对平方和求平方根的函数计算了最小误差。

该功能是我试图在 and 中最小化的optimize.minimize功能。C,T_ox0args= (A,B,R,T)

目前我在第 52 行遇到错误： R_comp = A + B*np.tanh((T-T_o)/C)

TypeError：只有长度为 1 的数组可以转换为 Python 标量

这个错误是新的，我之前已经解决了这个问题，但由于我把代码弄得太乱了，所以无法回到原来的位置。最终目标是绘制(T,R)R_new(T,R_new)基本上是适合 R 的曲线

任何注释掉的东西都是我尝试过的。

我尝试使用scipy.optimize.dual_annealing最小化 8 个参数的函数。搜索空间（由 my 定义bounds）相当广泛，但我知道解决方案接近x0. 因此，在阅读了此处找到的文档后，我决定使用较小的visit参数值，默认为 2.62，并且应该在 (0, 3] 范围内。

当我使用时visit=0.8，我得到了一个RuntimeWarning: invalid value 在日志中遇到，实际上，在源代码中我发现了这个：

（_dual_annealing.py 的 l.62）（基本上self._visiting_param直接分配了 的值visit）

所以我想也许文档是错误的，访问范围是（1,3]。

当我使用时visit=1.2，我得到了一个FloatingPointError：log中遇到的无效值，这一次是由于

（_dual_annealing.py 的 l.121）其中self._factor6是否定的。

这是一个真正的错误，一个错误的文档，还是只是我误解了什么？visit为了搜索接近 x0，我可以为参数使用哪些值？

我有三个具有相同列的 Pandas 数据框，如下所示：

我有第四个数据帧，其中行数对应于我拥有的数据帧数，所以这里我有 3 行，然后是 3 个数据帧。

我要做的是计算第四列，它基本上是 C 列除以 B 列。我希望从 B 列每一行的值列表中选择每行一个值。并且该值应该是用于所有数据帧（意味着如果我为索引“a”选择 0.5，那么该值应用于索引为“a”的所有数据帧。但选择需要满足这些条件

环顾四周似乎是一个优化问题，但我不知道如何使用 SciPy 来解决它。

我正在使用 scipy 库来解决优化问题。

我的优化代码：

我正在使用 nelder-mead 单纯形求解器来解决无约束的优化问题。优化器运行并打印

我有几个关于

1. 迭代和函数评估是什么意思？
2. 默认终止条件是什么？
3. 如何更改默认终止条件？

我在文档中找不到太多信息。有人可以帮助我理解这些。谢谢

在从事个人项目时，我遇到了一个问题，我将在这里尝试概括。

给定一个具有不同价值的资源列表（例如resources = [1, 0.8, 1.5, 0.8, 1.2...]），我想以尽可能公平的方式在一组 N 人中共享它们（即，没有人最终会囤积太多价值而其他人拥有的价值太少）。

我认为解决这个问题的一个好方法是最小化函数：

whereavg = sum(resources) / N和rxis 分配给 person 的资源x。

我偶然发现了scipy.optimize.minimize，我认为这可能会有所帮助，但我无法弄清楚如何描述 的值r1, ..., rn不能是任意的，而是需要取自resources（并且以一种相同的资源不是在解决方案中提供给多个人），因为我没有使用此模块的任何经验，也没有适用于此类问题的强大数学背景。

有没有一种简单的方法可以解决这个问题scipy？