python中scipy.optimize_使⽤Python优化（scipy.optimize）有时，数值优化器⽆论出于何种原因都不起作⽤.我们可以将问题的参数化略有不同，它只会起作⽤. (并且可能更快)
例如，对于(0,1)的边界，我们可以有⼀个变换函数，使得(-inf,inf)中的值在被转换后最终会在(0,1)中结束.
我们可以⽤等式约束做类似的技巧.例如，我们可以将维度从3减少到2，因为x中的最后⼀个元素必须是1-sum(x).
如果它仍然不起作⽤，我们可以切换到不需要衍⽣信息的优化器，例如Nelder Mead.
In [111]:
def trans_x(x):
x1 = x**2/(1+x**2)
z = np.hstack((x1, 1-sum(x1)))
return z
def F(x, y, gamma = 0.2):
z = trans_x(x)
return -(((z/y)**gamma).sum())**(1./gamma)
In [112]:
opt = minimize(F, np.array([0., 1.]), args=(np.array(y),),
method='Nelder-Mead')
opt
Out[112]:
status: 0
nfev: 96
success: True
linspace函数python
fun: -265.27701747828007
x: array([ 0.6463264, 0.7094782])
message: 'Optimization terminated successfully.'
nit: 52
结果是：
In [113]:
trans_x(opt.x)
Out[113]:
array([ 0.29465097, 0.33482303, 0.37052601])
我们可以通过以下⽅式对其进⾏可视化：
In [114]:
x1 = np.linspace(0,1)
y1 = np.linspace(0,1)
X,Y = np.meshgrid(x1,y1)
Z = np.array([F(item, y) for item
in np.vstack((X.ravel(), Y.ravel())).T]).reshape((len(x1), -1), order='F') Z = np.fliplr(Z)
Z = np.flipud(Z)

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。