Ограничение результата минимизации scipy (SLSQP)
Я хотел бы минимизировать целевую функцию, которая вызывает программное обеспечение для моделирования на каждом этапе и возвращает скаляр. Есть ли способ ограничить результат целевой функции? Например, я хотел бы получить значения переменных, которые максимально приближают результат к 1.
Я попытался просто вычесть 1 из результата целевой функции, но это не помогло. Я также играл с монетами, но, если я правильно понимаю, они только для входных переменных. Другим способом может быть создание журнала, в котором сохраняются значения всех переменных после каждой итерации (что я уже делаю). В конце должна быть возможность искать итерацию, которая имела результат, ближайший к 1, и возвращать ее переменную конфигурацию. Проблема в том, что минимизация, вероятно, выполняется слишком долго и приводит к бесполезным результатам. Есть ли лучший способ?
def objective(data):
"""
Optimization Function
:param data: list containing the current guess (list of float values)
:return: each iteration returns a scalar which should be minimized
"""
# do simulation and calculate scalar
return result - 1.0 # doesn't work since result is becoming negative
def optimize(self):
"""
daemon which triggers input, reads output and optimizes results
:return: optimized results
"""
# initialize log, initial guess etc.
sol = minimize(self.objective, x0, method='SLSQP', options = {'eps': 1e-3, 'ftol': 1e-9}, bounds=boundList)
Цель состоит в том, чтобы найти решение, которое может быть адаптировано к любому целевому значению. Пользователь должен иметь возможность ввести значение, и минимизация вернет наилучшую конфигурацию переменной для этого целевого значения.
Это было бы действительно простым решением, и оно выглядит многообещающе. Завтра попробую, спасибо!
Ответы 1
Как обсуждалось в комментариях, одним из способов достижения этого является использование
return (result - 1.0) ** 2
в objective. Тогда результаты не могут стать отрицательными, и оптимизация попытается найти result таким образом, чтобы оно было близко к вашему целевому значению (например, 1.0 в вашем случае).
Иллюстрация, используя сначала вашу текущую настройку:
from scipy.optimize import minimize
def objective(x, target_value):
# replace this by your actual calculations
result = x - 9.0
return result - target_value
# add some bounds for all the parameters you have
bnds = [(-100, 100)]
# target_value is passed in args; feel free to add more
res = minimize(objective, (1), args=(1.0,), bounds=bnds)
if res.success:
# that's the optimal x
print(f"optimal x: {res.x[0]}")
else:
print("Sorry, the optimization was not successful. Try with another initial"
" guess or optimization method")
Поскольку мы выбрали -100 в качестве нижней границы для x и просим минимизировать цель, оптимальное x равно -100 (будет напечатано, если вы запустите код сверху). Если мы теперь заменим строку
return result - target_value
к
return (result - target_value) ** 2
а остальное оставить без изменений, оптимальное x равно 10, как и ожидалось.
Обратите внимание, что я передаю ваше целевое значение в качестве дополнительного аргумента, чтобы ваша функция была немного более гибкой.
@Sley: Очень рад слышать! :)
(result - 1.0) ** 2поможет? Тогда результаты не могут стать отрицательными, а минимизация должна привести кresult = 1(или к чему-то близкому).