在下面的問題中，我使用scipy.optimize.minimize函數來解決具有5個參數的約束優化問題，名爲params。當我在Python中調試我的腳本時，最佳參數返回了一個向量元素。有任何想法嗎？scipy.optimize.minimize在python中進行約束優化

from scipy.optimize import minimize 

xdata = np.arange(0, 17.5, 0.125)*0.1 
xdata= xdata[60:85] 
ydata = 1.0/xdata 

plt.plot(xdata, ydata , 'ro', label='data') 
plt.show() 

def getvar(xobs, params) : 
    yobs = np.asarray([0.0]*len(xobs)) 
    for i in range(len(xobs)): 
     yobs[i] = params[0] + params[1] *(params[2]*( math.log(xobs[i]) - params[3]) + math.sqrt((math.log(xobs[i]) - params[3] )**2 + params[4]**2) ) 
    return yobs 

def resi(params): 
    return getvar(xdata, params) - ydata 


def sum_resi(params) : 
    return sum(resi(params)**2) 

#Unconstrained 
guess = np.asarray([1.0,1.0,1.0,1.0,1.0]) 
pwithout,cov,infodict,mesg,ier=scimin.leastsq(resiguess,full_output=True) 

ylsq = getvar(xdata, pwithout) 
plt.plot(xdata, ylsq, 'b--', label='fitted plot') 
plt.show() 

#Constrained: Use the guess from the unconstrained problem 

cons = ({'type': 'ineq','fun' : lambda params: np.array([params[0]  + params[1]*params[4]* math.sqrt(1 - params[2]**2) ] )}) 
bnds = ((None, None), (0, None), (-1,1),(None, None),(0, None)) 
pwith=scimin.minimize(sum_resi,pwithout, method='SLSQP', bounds=bnds, 
    constraints=cons, options={'disp': True}) 
ylsqconst = getvar(xdata, pwith.x) 
plt.plot(xdata, ylsqconst, 'g--', label='fitted plot') 
plt.show()

注

你可以在每次迭代中，所有的參數滿足條件見。在i）定義約束的線上設置調試點：cons = ({'type': 'ineq','fun' ...和ii）返回殘差總和的線：return sum(resi(params)**2)。請讓我知道你是否可以看到我看不到的錯誤。

來源

2017-06-14 noob-mathematician

確定拼寫錯誤和缺少進口後，我不會'nan's。我得到了'[-0.67014471 1.64436994 -0.91324285 -0.43218748 1.34249085]'，這與無約束的解決方案非常相似... – xnx

我認爲這個問題可能是一個簡單的錯字。在線

pwithout,cov,infodict,mesg,ier=scimin.leastsq(resiguess,full_output=True)

不應該是leastsq(resi, guess, ...)？

來源

2017-06-14 15:31:37 Andi

scipy.optimize.minimize在python中進行約束優化

注

回答

相關問題