问题标签 [scipy-optimize]

在使用 scipy.optimize 时，我尝试成功的目标函数只能取一个变量，标量或向量。

例如，此代码有效：

但是，如果我想要跟踪 res.x 随 a、b、c 的变化？以下代码不起作用，但是如何使它起作用？

我能想到的唯一方法是这样的：

另一个函数里面的函数让我感觉很糟糕，还有其他方法吗？谢谢。

我正在尝试将最小化过程从 Matlab 转换为 Python/SciPy。

下面，主要的 Matlab 脚本：

目标函数定义如下：

在 Matlab 中一切运行顺利，最小化过程在几秒钟内完成，提供以下结果：

这是我尝试在 Python 中复制这个框架，使用 SciPy 优化工具，特别是minimize函数：

您可能已经注意到，我从目标函数返回了一个空雅可比矩阵，因为我不知道梯度。如果我不返回它，该过程将永远无法完成，并用以下消息淹没我的控制台：

这是上面代码建议的解决方案，与 MATLAB 发现的方案相去甚远：

我尝试了所有可用的替代有界最小化算法：L-BFGS-B和SLSQP. 它们未能收敛到解决方案，并且发出了很多警告，可能与传递给日志函数和除法的 NaN 或 Inf 值有关：

就像标题解释的那样，我的程序总是返回最初的猜测。

就上下文而言，该计划正试图找到在多个商店中分配某些产品的最佳方式。每家商店都有他们预计在接下来几天内销售的商品的预测 (sales_data)。这个预测不一定是整数，或者大于 1（很少是这样），它是统计意义上的预期。因此，如果一家商店的 sales_data = [0.33, 0.33, 0.33] ，则预计 3 天后，他们将售出 1 件产品。

我想尽量减少出售我分配的单位所需的总时间（我想以最快的速度出售它们），我的限制是我必须分配我可用的单位，并且我不能分配负数的产品到一家商店。我现在可以进行非整数分配。对于我的初始分配，我在所有商店中平均分配我可用的单位。

以下是我遇到问题的代码的较短版本：

优化成功完成，只有 1 次迭代，无论我如何更改参数，它总是返回初始的guess_allocs。

有什么建议吗？

我是优化技术的新手，对我的方法有疑问。

考虑我有一个代理试图优化 3 个变量 C1,x11,x12 以最小化功率。我有60个这样的代理构成一个系统。所有这些代理都可以归为一类，C1 是所有代理的公共变量。所以agent2在C1,,x21,x22上进行优化。C1、x31、x32 上的代理 3 等等……

我尝试以组合方法进行优化，其中我的优化器在 (C1,x11,x12,x21,x22,x31,x32...) 上进行优化变得计算昂贵且不可行。

如果我尝试单独优化每个代理，这些代理中的每一个都会给出不同的 C1 ，这是所有代理的公共变量。但是由于 C1 是所有代理的公共变量，所有代理应该协调并具有共同的值。

有人可以帮助解决他的问题。对于我的用例来说，这是一种更好的方法。

我目前正在使用 scipy 差分进化算法代码进行组合方法

个人方法的代码

我愿意改变我的技术和策略以获得更好的结果。谢谢

在评论中询问：

我有一个函数f1=f1(c1,x11,x12)要最小化，c1,x11,x12其值可以在一定范围内变化，以g1(c1,x11,x12) < 0.

同样，我有多种功能 `, f2,f3...f60 。

f2 可以表示为 f2(c1,x21,x22) 以最小化 c1,x21,x22 的值，这些值可以在确定的范围内变化，前提是 g2(c1,x21,x22) < 0。

f3 可以表示为 f3(c1,x31,x32) 以最小化 c1,x31,x32 的值，这些值可以在确定的范围内变化，前提是 g3(c1,x31,x32) < 0。

所以在这里，如果我们看到 c1 是所有函数的命令变量。

与 f4,f5...f60 一样，约束为 g4,g5,g6..

我的最终目标是最小化 f1,f2,f3...f60 的总和。

IE

我有 n（大约 500 万）组特定的 (k,m,v,z)* 参数来描述一些线性关系。我想找到最佳的正 a、b 和 c 系数，以最小化它们的绝对值的相加，如下所示：

我事先知道每个 a、b 和 c 的范围，所以我可以用它来加快速度。但是，我不知道如何正确实施此问题以最好地利用 Numpy（或 Scipy/等）。

我正在考虑使用不同的 a、b 和 c 系数（基于一个步骤）迭代地进行检查，并最终保持能够提供最小总和的组合。但在 Numpy 中正确实现这一点是另一回事。

* (k,m,v 是 0 或正数，实际上是 k,m,v,i,j,p)（z 也可以是负数）

欢迎任何提示！

我正在尝试在 python 中求解变量“X”的方程，其中方程中的一些变量（“ABC，PQR”）是从函数“计算”输出的。问题是，为了从函数中获取输出，我需要将变量 X 作为参数本身传递。我在这里陷入了一个循环。我尝试了两种不同的方法，但没有取得任何成功。有没有办法可以解方程？

非常感谢任何帮助/指导。

我的第一种方法是从一个小值开始并运行一个循环。我尝试使用 math.isclose() 但一旦值超出范围就会收到“数学绑定错误”并且它会进入无限循环。第二种方法是编写完整的表达式并使用 scipy.optimize fsolve() 但我无法理解如何正确实现它。

我正在尝试将余弦平方曲线拟合到我使用来自 scipy optimise 的 curve_fit 的数据。但不幸的是，我得到了一条直线。希望有人能帮助我。

我得到下图，以直线拟合作为输出

我正在研究一些需要能够执行二维高斯拟合的代码。我的代码主要基于以下问题：Fitting a 2D Gaussian function using scipy.optimize.curve_fit - ValueError and minpack.error。现在的问题是我对需要使用的不同参数并没有真正的初步猜测。

我试过这个：

data.reshape(201,201) 只是我从上述问题中得到的。

如果我尝试这样做，我会收到以下错误消息：ValueError: setting an array element with a sequence。

关于开始参数的推理是否正确？为什么我会收到这个错误？

我正在开发一个应该执行大约 6750 次优化的程序。现在，问题是一项优化的持续时间约为 3 分钟。乍一看这似乎并不多，但如果我必须执行 6750 次，我将等待 2 周......显然这不是我想要的，因此这是我如何提高速度的问题跳盆全局优化算法。我有一种感觉，我在这里忘记了一些东西，比如另一种方法或一些可能对我有帮助的参数。只是我想不通是什么...

简而言之，我有两个问题。一项优化可能需要长达 3 分钟才能收敛，这是否正常？我将如何加快优化速度？

下面的一段代码显示了我目前的工作方式。第一种方式进行了 1750 次优化，第二种方式进行了 5000 次优化。

（几天前我发布了一个类似的问题，但是鉴于上一篇文章中的答案，我已经改变了我的方法并且有不同的方法）

我正在尝试使用 scipy.optimize 来解决我的优化问题，但我一直得到一个不正确的答案，它只是返回我最初的猜测（x0）。在这里，我使用的是 dual_annealing 算法，但我也尝试了不同的全局优化算法（差分进化，shgo）以及局部最小化（使用方法 SLSQP 最小化，但这会导致问题，因为我的函数没有梯度）但没有利用。

就上下文而言，该计划正试图找到在多个商店中分配某些产品的最佳方式。每家商店都有他们预计在接下来几天内销售的商品的预测 (sales_data)。这个预测不一定是整数，或者大于 1（很少是这样），它是统计意义上的预期。因此，如果一家商店的 sales_data = [0.33, 0.33, 0.33] ，则预计 3 天后，他们将售出 1 件产品。

我想尽量减少出售我分配的单位所需的总时间（我想以最快的速度出售它们），我的限制是我必须分配我可用的单位，并且我不能分配负数的产品到一家商店。我现在可以进行非整数分配。对于我的初始分配，我在所有商店中平均分配我可用的单位。

因此，以更数学的方式陈述，我想最大化 time_objective 函数，受制于所有分配必须具有非负值（min（allocations）> = 0）并且我必须分配所有单元的约束可用（总和（分配）==单位可用）。由于 dual_annealing 不支持约束，我通过将 0 指定为每个分配的下限（并将 unitsAvailable 作为上限）来处理第一个约束。对于第二个约束，我将目标函数包装在 constrained_objective 函数中，如果违反了约束，它将返回 numpy.inf。这个 constrained_objective 函数还接受除最后一个之外的所有分配，并将最后一个分配设置为剩余单元（因为这相当于约束所有单元，

这是我的代码：