python:scipy.optimize.minimize(method=’Nelder-Mead’)
简介
优化问题是工程实践中经常遇到的一种问题。简单讲,就是搜索优化出一组自变量参数,使得目标函数达到极小值(极大值)。
如何搜索出这组参数呢:这就是优化算法做的事情。不同的优化算法适用于不同的优化问题。
本文简要介绍在python种NM算法来解决局部优化问题。
接口
使用总结:
- NM是局域优化,即最终的优化结果会掉到一个局域最小值附近,故对初值敏感
- 有两种方式设置初值,1.设置x0;2.设置options中的initial_simplex。手动设置initial_simplex更好,可灵活控制收敛速度。
- 终止条件有:maxiter, maxfev, xatol, fatol。判断条件是:先判断是否达到maxiter, maxfev,若达到则终止;若未达到,则再判断 xatol, fatol是否同时满足条件,若满足,则终止。其源代码逻辑如下:
while (fcalls[0] < maxfun and iterations < maxiter):if (numpy.max(numpy.ravel(numpy.abs(sim[1:] - sim[0]))) <= xatol andnumpy.max(numpy.abs(fsim[0] - fsim[1:])) <= fatol):break
- maxiter, maxfev默认值为N*200。比如自变量个数为2,则默认值为400;xatol, fatol默认值为1e-4,一般根据实际问题手动设置。越小,则收敛越快。
- 若不同参数的取值范围不同,则应对其进行归一化处理
实例1:Himmelblau函数
关于Himmelblau函数
f(x,y)=(x2+y−11)2+(x+y2−7)2f(x,y)=(x^2+y-11)^2+(x+y^2-7)^2f(x,y)=(x2+y−11)2+(x+y2−7)2
有四个局域最小值: [3,2], [-2.805,3.131], [-3.779,-3.283], [3.584,-1.848]。
def f(x,y):return (x**2+y-11)**2+(x+y**2-7)**2x = np.linspace(-7,7,50)
y = np.linspace(-7,7,50)z = np.zeros((50,50))
for i,a in enumerate(x):for j,b in enumerate(y): z[i,j] = f(a,b)
xx,yy = np.meshgrid(x,y)
fig, ax = plt.subplots()
c = ax.pcolormesh(xx,yy,z.T,cmap='jet')
fig.colorbar(c, ax=ax)
优化流程
实例代码
- 注意,为了绘制出迭代过程,在cost_function里加了一个
xs.append(x)
。实际问题中可根据需求看是否需要。本实例中将迭代过程中的参数绘制到二维扫描图上,可形象的演示NM算法的搜索过程。
xs = []
def cost_function(x):xs.append(x)return (x[0]**2+x[1]-11)**2+(x[0]+x[1]**2-7)**2x_center = np.array([0,0])
step = 0.5
x0 = np.vstack((x_center, x_center+np.diag((step,step))))
xatol,fatol = 1e-3,1e-3
res = minimize(cost_function,x_center,method='nelder-mead',options={'initial_simplex':x0,'xatol': xatol,'fatol': fatol, 'disp': True})
print(res.x)
x_ = np.array([x[0] for x in xs])
y_ = np.array([x[1] for x in xs])
ys = np.array([f(x[0],x[1]) for x in xs])fig, ax = plt.subplots()
c = ax.pcolormesh(xx,yy,z.T,cmap='jet')
fig.colorbar(c, ax=ax)
ax.plot(x_,y_,'r',x_[0],y_[0],'go',x_[-1],y_[-1],'y+',markersize=6)fig2 = plt.figure()
ax1 = plt.subplot(221)
ax2 = plt.subplot(222)
ax3 = plt.subplot(212)
ax1.plot(x_)
ax1.set_title('x')
ax2.plot(y_)
ax2.set_title('y')
ax3.plot(ys)
结果及分析:
- 迭代了35次,最终达到xatol,fatol的终止条件。
- 初值流形是在[0, 0],NM是局域优化,故最终搜索到的最优值大约是[3.00007588 1.99958898],符合理论中的一个局域最小值[3, 2]。
Optimization terminated successfully.Current function value: 0.000002Iterations: 35Function evaluations: 68
[3.00021471 1.99974856]
对初值敏感的局域优化
NM算法时局域优化算法,所以对初值敏感。下面分别选择四个初值:[0,0], [-1, 0],[0,-1],[-1,1] 进行优化。
代码同上,只修改初值,比如:x_center = np.array([-1,0])
结果:符合预期。
初值为[0,0],搜索到[3,2];
初值为[-1,0],搜索到[-2.805,3.131];
初值为[0,-1],搜索到[3.584,-1.848];
初值为[-1,-1],搜索到[-3.779,-3.283];
归一化问题
在实际问题中,有时不同的自变量参数的量纲并不同,即取值范围和搜索步长不同。此时应该进行归一化处理。
稍微修改函数,模拟成一个需要归一化的优化问题。
实例代码
def f2(x,y):return (x**2+y/1000-11)**2+(x+(y/1000)**2-7)**2x = np.linspace(-7,7,50)
y = np.linspace(-7000,7000,50)z = np.zeros((50,50))
for i,a in enumerate(x):for j,b in enumerate(y): z[i,j] = f2(a,b)
xx,yy = np.meshgrid(x,y)xs = []
def cost_function2(x):xs.append(x)x_norm = x*normlizereturn (x_norm[0]**2+x_norm[1]/1000-11)**2+(x_norm[0]+(x_norm[1]/1000)**2-7)**2normlize = np.array([1, 1000])
x_center = np.array([-1,-1])
step = 0.5
x0 = np.vstack((x_center, x_center+np.diag((step,step))))
xatol,fatol = 1e-3,1e-3
res = minimize(cost_function2,x_center,method='nelder-mead',options={'initial_simplex':x0,'xatol': xatol,'fatol': fatol, 'disp': True})
print(res.x)
x_ = normlize[0]*np.array([x[0] for x in xs])
y_ = normlize[1]*np.array([x[1] for x in xs])
ys = np.array([f2(x,y) for x,y in zip(x_,y_)])fig, ax = plt.subplots()
c = ax.pcolormesh(xx,yy,z.T,cmap='jet')
fig.colorbar(c, ax=ax)
ax.plot(x_,y_,'r',x_[0],y_[0],'go',x_[-1],y_[-1],'y+',markersize=6)fig2 = plt.figure()
ax1 = plt.subplot(221)
ax2 = plt.subplot(222)
ax3 = plt.subplot(212)
ax1.plot(x_)
ax1.set_title('x')
ax2.plot(y_)
ax2.set_title('y')
ax3.plot(ys)
结果:
Optimization terminated successfully.Current function value: 0.000002Iterations: 37Function evaluations: 69
[-3.77937271 -3.28299281]
python:scipy.optimize.minimize(method=’Nelder-Mead’)相关推荐
- python非线性规划scipy.optimize.minimize介绍
目录 0. 官方说明 1. Parameters 2. Returns 3. 案例 1)无约束求极值 2)有约束求极值 参考资料 0. 官方说明 在 python 里用非线性规划求极值,最常用的就是 ...
- python:scipy.optimize.fmin
简介 优化问题是工程实践中经常遇到的一种问题.简单讲,就是搜索优化出一组自变量参数,使得目标函数达到极小值(极大值). 如何搜索出这组参数呢:这就是优化算法做的事情.不同的优化算法适用于不同的优化问题 ...
- python网页优化公司_使用python优化scipy.optimize.minimize公司
我将逐行检查您的代码,并强调一些问题:from scipy.optimize import minimize import numpy as np prices=np.array([[1.5,50,3 ...
- 非线性规划(scipy.optimize.minimize)
1.minimize() 函数介绍 在 python 里用非线性规划求极值,最常用的就是 scipy.optimize.minimize(). [官方介绍点这里](Constrained minimi ...
- scipy.optimize.minimize 的优化算法(1): Nelder–Mead Simplex
Nelder–Mead Simplex Algorithm Reference: http://home.agh.edu.pl/~pba/pdfdoc/Numerical_Optimization.p ...
- python scipy.optimize.minimize多变量多参数优化
python scipy.optimize.minimize多变量多参数优化 x是一维变量,无超参数 x是二维变量,无超参数,带bounds x是二维变量,有一个超参数,带bounds x是二维变量, ...
- python数学建模之用scipy.optimize.minimize解决高次非线性规划问题
在实际的数学建模应用中,我们会遇到很多约束条件是二次的,三次的或者是高次函数的情况,这样用 optimize.linprog()来解决就显得不适用了,因此我们使用scipy.optimize下得min ...
- scipy.optimize.minimize参数
scipy.optimize.minimize 英文文档 scipy.optimize.minimize(fun, x0, args=(), method=None, jac=None, hess=N ...
- 利用scipy.optimize.minimize()求解有约束、非线性规划问题
''' scipy.optimize.minimize(目标函数obj,初始点,constraints=cons,bounds=bd)此函数有很多参数,这里介绍主要参数 obj:目标函数,最小值形式, ...
最新文章
- 新书上市 | 当我们在谈论贝叶斯时我们在谈论什么:用贝叶斯的眼光看世界
- Android中的进程
- ASP.NET - 演练:创建网页以显示 XML 数据
- MyBatis 实践 -动态SQL/关联查询
- SpringMVC处理静态资源
- java中怎样验证重复文件_java – 如何在下载之前检查URL中的重复文件
- asp.net MD5加密函数(c#)
- Web框架——Flask系列之Flask-SQLAlchemy数据库的基本操作(九)
- Object类中hashCode()和equals()方法详解(附图)
- http传输字符编码与转义(深度好文)
- 静态代理和动态代理设计模式
- React Router的Route的使用
- Windows鼠标右键添加cmd
- 百度快照投诉技巧案例分析百度快照就是这样刷出来的
- 销售使用企业微信SCRM管理系统有什么好处
- 【通州爆料】S6线、京唐城际、京滨城际开工时间发布。
- 客户关系维护注意事项 如何维护客户关系
- 51单片机:HCSR04超声波测距模块及1602显示—C51程序(超详细)
- Android 来电监听
- 番外篇——直流电机桥源码分析LED驱动例程开发
热门文章
- Protege,SWRL和JESS的原理
- Java之Thread.sleep()浅析
- linux 用户加入次要群组,linux学习笔记之 帐号和群组管理
- 深圳多家银行设立取款限额 ATM机限时取款(图)
- 利用声音传感器控制led灯功能_利用光敏电阻加声音传感器制作声控灯
- 使用Maya和Substance Painter制作一辆越野赛车(1)
- C#从入门到精通学习笔记——(2)
- rtsp流通过ffmpeg+nginx转成rtmp以及http-flv流
- 基于有源钳位三电平的有源电力滤波器(ANPC-APF)MATLAB仿真,包括自建的DSOGI锁相模块和PQ谐波检测模块。 可简单解释。
- 51nod 1072 威佐夫游戏