- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
汽车应用的自动调谐器:应用程序可能会根据汽车型号而变化,因此目标函数自然也会发生变化。问题是将参数调整为特定车型的最佳参数。输入:车型,输出:特定车型应用的最佳参数。我想通过优化来解决这个问题
我正在尝试最小化一个复杂的非线性函数,该函数受到两个非线性约束的约束,一个不等式和一个等式约束。这个问题本身并没有限制,但我已经对参数设置了限制以帮助加速优化,因为我或多或少知道正确参数的位置。参数是:[x0,x1,x2,x3]
我已经将 scipy.optimize.minimize() 函数与 SLSQP 方法结合使用,并在正确界定问题范围时发现了良好的结果。虽然, scipy.optimize.minimize() 函数是一个本地优化器并解决了 QP 问题,但我认为我的问题不是。因此,我开始对 mystic (mystic.differential_evolution) 使用全局优化方法。由于我不是全局优化方面的专家,我自然会有一些问题。
如果我选择的边界太宽,优化器 (mystic.differential_evolution) 将在一段时间后停止迭代并打印:
STOP("ChangeOverGeneration with {'tolerance': 0.005, 'generations': 1500}")
当我运行优化器找到的解决方案时,我发现结果不如我降低(缩小)边界那么好。显然全局优化器还没有找到全局最优,但它停止了迭代。我知道有多个参数集会产生相同的全局最小值。
由于目标函数可能会随着车型的变化而变化,因此我希望边界保持相对宽泛,以防全局最优发生变化,从而改变正确的参数。
def optimize_mystic_wd(T, param_wp, w_max, safe_f):
# mystic
import mystic
from mystic.monitors import VerboseLoggingMonitor
from mystic.penalty import quadratic_inequality
from mystic.penalty import quadratic_equality
from mystic.solvers import diffev2
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
# tools
from mystic.tools import getch
import pylab
import numpy as np
def objective(x):
from model_func import model
[val, _] = model(param_wp, x)
return -val
def penalty1(x): # <= 0.0
t = np.linspace(0, T, 100)
wd = (x[0] * np.sin(x[1] * t + x[3]) + x[2])
index = np.argmax(wd)
t_max = t[index]
return ((x[0] * np.sin(x[1] * t_max + x[3]) + x[2])) -2*np.pi
def penalty2(x): # == 0.0
return x[0] * (np.cos(x[3]) - np.cos(x[1] * T + x[3])) / x[1] + x[2] * T - 2 * np.pi
@quadratic_inequality(penalty1, k=1e12)
@quadratic_equality(penalty2, k=1e12)
def penalty(x):
return 0.0
b1 = (0, 2*np.pi)
b2 = (0, 2 * np.pi/(2*T))
b3 = (0, 2*np.pi)
b4 = (0, 2*np.pi/T)
bounds = [b1, b2, b3, b4]
stepmon = VerboseLoggingMonitor(1,1)
result = diffev2(objective, x0=bounds, bounds=bounds, penalty=penalty, npop=40, gtol=1500, disp=True, full_output=True, itermon=stepmon, handler=True, retall=True, maxiter=4000)
最佳答案
我是 mystic
作者。
关于您的问题:
差异进化可能很棘手。它会随机改变您的候选解决方案向量,并接受可提高成本的更改。默认停止条件是当 ngen
步数没有改善时退出。这意味着如果求解器提前停止,它可能甚至不在局部最小值中。但是,有多种方法可以帮助确保求解器有更好的机会找到全局最小值。
ngen
,即没有改进的步数。npop
,即每次迭代的候选解决方案数量。ngen
的不同终止条件。就个人而言,我通常使用非常大的 ngen
作为第一种方法。结果是求解器往往会运行很长时间,直到它随机找到全局最小值。这是差异进化的预期。是。
我不确定你最后一个问题的意思。使用 mystic
,您当然可以在优化器启动时或沿途的任何时候扩大参数范围。如果您使用类接口(interface)(DifferentialEvolutionSolver
而不是“one-liner”diffev
),那么您可以选择:
Step
优化器通过优化,可能会在任何一步更改范围(或约束或惩罚)。最后,您可能想看看 mystic 的 ensemble
求解器,它使您能够从分布中采样 N 个优化器,每个优化器具有不同的初始条件。在这种情况下,您会选择快速的局部求解器……目的是快速搜索局部空间,但对分布进行采样有助于确保您在全局范围内进行了搜索。这就像传统的网格搜索,但优化器从“网格”的每个点开始(并使用分布,不一定是网格)。
我可能还建议看一下 this example ,它演示了如何使用 mystic.search.Searcher
,其目的是(例如)有效地保持生成求解器寻找局部最小值,直到找到所有局部最小值,从而找到全局最小值。
关于python - 约束全局优化调整 [mystic],我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/51892741/
背景 汽车应用的自动调谐器:应用程序可能会根据汽车型号而变化,因此目标函数自然也会发生变化。问题是将参数调整为特定车型的最佳参数。输入:车型,输出:特定车型应用的最佳参数。我想通过优化来解决这个问题
我想知道在 python 中使用 mystic 是否可以进行约束黑盒优化。如果是这样,这个优化包中将提供哪些算法? 最佳答案 我是mystic 的作者。是的,在 mystic 中可以进行黑盒约束优化。
我正尝试在 Dynamic room pricing model for hotel revenue management systems 上构建白皮书的实现.万一此链接将来失效,我将粘贴到此处的相关
我第一次使用 Google GO 闲逛。我已经扩展了“hello world”应用程序以尝试在 init 部分中定义路径。这是我到目前为止所做的: package hello import (
我是一名优秀的程序员,十分优秀!