0
私はscipy.optimize.minimize
関数を使用して、制約付き最適化問題を解決するために、5つのパラメータ(params
)を使用しています。私のスクリプトをPythonでデバッグすると、最適なパラメータは5- ナノ要素のベクトルを返しました。何か案は?scipy.optimize.minimize Pythonの制約最適化のため
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()
ノート
あなたはすべてのパラメータが条件を満たしていることを各反復で見ることができます。 i)制約を定義する線:cons = ({'type': 'ineq','fun'
...と、ii)残差の合計を返す線:return sum(resi(params)**2)
にデバッグポイントを設定します。見えないエラーが表示された場合はお知らせください。
誤植を修正した後、私は 'nan'を取得しません。私は '[-0.67014471 1.64436994 -0.91324285 -0.43218748 1.34249085]'を得ました。無制限の解決策に非常に似ています... – xnx