- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
我遇到了 basin hopping algorithm在 scipy 中创建了一个简单的问题来了解如何使用它,但它似乎无法正确解决该问题。可能是我做的事情完全错了。
代码如下:
import scipy.optimize as spo
import numpy as np
minimizer_kwargs = {"method":"BFGS"}
f1=lambda x: (x-4)
def mybounds(**kwargs):
x = kwargs["x_new"]
tmax = bool(np.all(x <= 1.0))
tmin = bool(np.all(x >= 0.0))
print x
print tmin and tmax
return tmax and tmin
def print_fun(x, f, accepted):
print("at minima %.4f accepted %d" % (f, int(accepted)))
x0=[1.]
spo.basinhopping(f1,x0,accept_test=mybounds,callback=print_fun,niter=200,minimizer_kwargs=minimizer_kwargs)
它给出的解是x: array([ -1.80746874e+08])
最佳答案
您正在测试的函数使用了一种称为 Metropolis-Hastings 的方法,该方法可以修改为称为模拟退火的过程,该过程可以随机方式优化函数。
其工作方式如下。首先你选择一个点,比如你的点 x0
。从那时起,您会生成一个随机扰动(这称为“提议”)。一旦提出了扰动,您就可以通过将扰动应用于当前输出来获得新点的候选点。因此,您可以将其视为 x1 = x0 + perturbation
。
在常规的旧梯度下降中,扰动
项只是一个确定性计算的量,就像梯度方向上的一步。但在 Metropolis-Hastings 中,扰动
是随机生成的(有时使用梯度作为随机去向的线索......但有时只是随机生成,没有任何线索)。
此时,当你得到 x1
时,你必须问自己:“我是通过随机扰动 x0
做了一件好事,还是我只是把一切都搞砸了向上?”其中一部分与坚持某些界限内有关,例如您的 mybounds
函数。它的另一部分与目标函数的值在新点上变得更好/更差的程度有关。
所以有两种方法可以拒绝x1
的提议:第一,它可能违反你设定的界限,并且是问题定义的不可行点;其次,从 Metropolis-Hastings 的 accept/reject 评估步骤来看,这可能只是一个非常糟糕的点,应该被拒绝。在任何一种情况下,您都将拒绝 x1
并设置 x1 = x0
并假装您只是停留在同一个地方再试一次。
将其与渐变类型的方法进行对比,在这种方法中,无论如何,您肯定会始终至少进行某种类型的移动(向渐变方向迈出一步)。 p>
哇,好吧。撇开这些不谈,让我们考虑一下 basinhopping
函数是如何发挥作用的。从文档中我们可以看到,典型的接受条件是由 take_step
参数访问的,文档这样说:“默认的步进例程是坐标的随机位移,但其他步进算法对某些系统来说可能更好。”因此,即使除了您的 mybounds
边界检查器之外,该函数也会对坐标进行随机位移以生成其新的尝试点。由于此函数的梯度只是常量 1
,因此它将始终在负梯度方向(用于最小化)上迈出相同的大步。
在实际层面上,这意味着 x1
的建议点将始终完全超出区间 [0,1]
并且您的边界检查器将总是否决他们。
当我运行您的代码时,我发现这种情况一直在发生:
In [5]: spo.basinhopping(f1,x0,accept_test=mybounds,callback=print_fun,niter=200,minimizer_kwargs=minimizer_kwargs)
at minima -180750994.1924 accepted 0
[ -1.80746874e+08]
False
at minima -180746877.5530 accepted 0
[ -1.80746873e+08]
False
at minima -180746877.3896 accepted 0
[ -1.80750991e+08]
False
at minima -180750994.7281 accepted 0
[ -1.80746874e+08]
False
at minima -180746878.2433 accepted 0
[ -1.80746874e+08]
False
at minima -180746877.5774 accepted 0
[ -1.80746874e+08]
False
at minima -180746878.3173 accepted 0
[ -1.80750990e+08]
False
at minima -180750994.3509 accepted 0
[ -1.80750991e+08]
False
at minima -180750994.6605 accepted 0
[ -1.80746874e+08]
False
at minima -180746877.6966 accepted 0
[ -1.80746874e+08]
False
at minima -180746877.6900 accepted 0
[ -1.80750990e+08]
False
at minima -180750993.9707 accepted 0
[ -1.80750990e+08]
False
at minima -180750994.0494 accepted 0
[ -1.80750991e+08]
False
at minima -180750994.5824 accepted 0
[ -1.80746874e+08]
False
at minima -180746877.5459 accepted 0
[ -1.80750991e+08]
False
at minima -180750994.6679 accepted 0
[ -1.80750991e+08]
False
at minima -180750994.5823 accepted 0
[ -1.80750990e+08]
False
at minima -180750993.9308 accepted 0
[ -1.80746874e+08]
False
at minima -180746878.0395 accepted 0
[ -1.80750991e+08]
False
# ... etc.
所以它从不接受posposal点。输出并没有告诉你它已经找到了解决方案。它告诉您,探索可能的解决方案的随机扰动不断导致优化器看起来越来越好,但始终无法满足您的标准。它找不到返回 [0,1]
的所有方式来获取 do 满足 mybounds
的点。
关于python - 理解 scipy basin hopping 优化函数的例子,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/22207372/
我在使用 cx_freeze 和 scipy 时无法编译 exe。特别是,我的脚本使用 from scipy.interpolate import griddata 构建过程似乎成功完成,但是当我尝试
是否可以通过函数在 scipy 中定义一个稀疏矩阵,而不是列出所有可能的值?在文档中,我看到可以通过以下方式创建稀疏矩阵 There are seven available sparse matrix
SciPy为非线性最小二乘问题提供了两种功能: optimize.leastsq()仅使用Levenberg-Marquardt算法。 optimize.least_squares()允许我们选择Le
SciPy 中的求解器能否处理复数值(即 x=x'+i*x")?我对使用 Nelder-Mead 类型的最小化函数特别感兴趣。我通常是 Matlab 用户,我知道 Matlab 没有复杂的求解器。如果
我有看起来像这样的数据集: position number_of_tag_at_this_position 3 4 8 6 13 25 23 12 我想对这个数据集应用三次样条插值来插值标签密度;为此
所以,我正在处理维基百科转储,以计算大约 5,700,000 个页面的页面排名。这些文件经过预处理,因此不是 XML 格式。 它们取自 http://haselgrove.id.au/wikipedi
Scipy 和 Numpy 返回归一化的特征向量。我正在尝试将这些向量用于物理应用程序,我需要它们不被标准化。 例如a = np.matrix('-3, 2; -1, 0') W,V = spl.ei
基于此处提供的解释 1 ,我正在尝试使用相同的想法来加速以下积分: import scipy.integrate as si from scipy.optimize import root, fsol
这很容易重新创建。 如果我的脚本 foo.py 是: import scipy 然后运行: python pyinstaller.py --onefile foo.py 当我启动 foo.exe 时,
我想在我的代码中使用 scipy.spatial.distance.cosine。如果我执行类似 import scipy.spatial 或 from scipy import spatial 的操
Numpy 有一个基本的 pxd,声明它的 c 接口(interface)到 cython。是否有用于 scipy 组件(尤其是 scipy.integrate.quadpack)的 pxd? 或者,
有人可以帮我处理 scipy.stats.chisquare 吗?我没有统计/数学背景,我正在使用来自 https://en.wikipedia.org/wiki/Chi-squared_test 的
我正在使用 scipy.odr 拟合数据与权重,但我不知道如何获得拟合优度或 R 平方的度量。有没有人对如何使用函数存储的输出获得此度量有建议? 最佳答案 res_var Output 的属性是所谓的
我刚刚下载了新的 python 3.8,我正在尝试使用以下方法安装 scipy 包: pip3.8 install scipy 但是构建失败并出现以下错误: **Failed to build sci
我有 my own triangulation algorithm它基于 Delaunay 条件和梯度创建三角剖分,使三角形与梯度对齐。 这是一个示例输出: 以上描述与问题无关,但对于上下文是必要的。
这是一个非常基本的问题,但我似乎找不到好的答案。 scipy 到底计算什么内容 scipy.stats.norm(50,10).pdf(45) 据我了解,平均值为 50、标准差为 10 的高斯中像 4
我正在使用 curve_fit 来拟合一阶动态系统的阶跃响应,以估计增益和时间常数。我使用两种方法。第一种方法是在时域中拟合从函数生成的曲线。 # define the first order dyn
让我们假设 x ~ Poisson(2.5);我想计算类似 E(x | x > 2) 的东西。 我认为这可以通过 .dist.expect 运算符来完成,即: D = stats.poisson(2.
我正在通过 OpenMDAO 使用 SLSQP 来解决优化问题。优化工作充分;最后的 SLSQP 输出如下: Optimization terminated successfully. (Exi
log( VA ) = gamma - (1/eta)log[alpha L ^(-eta) + 测试版 K ^(-eta)] 我试图用非线性最小二乘法估计上述函数。我为此使用了 3 个不同的包(Sc
我是一名优秀的程序员,十分优秀!