scipy.optimize的最小化函数没有给出正确的答案。

Question

scipy.optimize的最小化函数没有给出正确的答案。

pythonnumpyoptimizationscipyscipy-optimize-minimize

3

我正在尝试使用Scipy的minimize函数解决一个最小化问题。目标函数简单地是两个具有不同均值和方差的多元正态分布的比率。我希望找到函数g_func的最大值，这等价于找到函数g_optimization的最小值。此外，我添加了一个约束条件x[0] = 0。这里，x是一个包含8个元素的向量。目标函数g_optimization如下所示：

import numpy as np
from scipy.optimize import minimize
# Set up mean and variance for two MVN distributions
n_trait = 8
sigma = np.full((n_trait, n_trait),0.0005)
np.fill_diagonal(sigma,0.005)
omega = np.full((n_trait, n_trait),0.0000236)
np.fill_diagonal(omega,0.0486)
sigma_pos = np.linalg.inv(np.linalg.inv(sigma)+np.linalg.inv(omega))
mu_pos = np.array([-0.01288244,0.08732091,0.01049617,0.0860966,0.10055626,0.07952922,0.04363669,-0.0061975])
mu_pri = 0
sigma_pri = omega

#objective function
def g_func(beta,mu_sim_pos):
    g1 = ((np.linalg.det(sigma_pri))**(1/2))/((np.linalg.det(sigma_pos))**(1/2))
    g2 = (-1/2)*np.linalg.multi_dot([np.transpose(beta-mu_sim_pos),np.linalg.inv(sigma_pos),beta-mu_sim_pos])
    g3 = (1/2)*np.linalg.multi_dot([np.transpose(beta-mu_pri),np.linalg.inv(sigma_pri),beta-mu_pri])
    g = g1*np.exp(g2+g3)
    return g
def g_optimization(beta,mu_sim_pos):
    return -1*g_func(beta,mu_sim_pos)

#optimization
start_point = np.full(8,0)
cons = ({'type': 'eq',
         'fun' : lambda x: np.array([x[0]])})

anws = minimize (g_optimization, [start_point], args=(mu_pos),
                 constraints=cons, options={'maxiter': 50}, tol=0.001)
anws

优化在两次迭代后停止，函数给出的最小值为0，在点np.array([0,10.32837891,-1.62396508,10.13790152,12.38752653,9.11615259,3.53201544,-4.22115517])。这是不可能的，因为即使我们将起始点np.zeros(8)输入g_optimization函数，得到的结果也是-657.0041125829354，比0更小。所以提供的解决方案绝对不是最小值。

g_optimization(np.zeros(8),mu_pos) #gives solution of -657.0041125829354

我不确定我哪里做错了。

- GarfieldH

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- scleronomic · Accepted Answer

我建议尝试使用其他求解器，例如 L-BFGS-B 效果不错。你可以在这里查看所有选项。

anws = minimize (g_optimization, [start_point], args=(mu_pos), method='L-BFGS-B',
                 constraints=cons, options={'maxiter': 50}, tol=0.001)

print(anws)

# success: True
# message: b'CONVERGENCE: REL_REDUCTION_OF_F_<=_FACTR*EPSMCH'
# fun: -21688.00879938617
# x: array([-0.0101048, 0.09937778, 0.01543875, 0.0980401, 0.11383878, 0.09086455, 0.05164822, -0.00280081])

编辑： L-BFGS-B 无法处理一般约束 h(x)=0，只能处理变量的边界框：

用于 L-BFGS-B、TNC、SLSQP、Powell 和 trust-constr 方法的变量范围。有两种指定范围的方法： Bounds 类的实例。每个元素 x 的 (min, max) 对的序列。使用 None 指定无限制。

在您的情况下，您需要定义8对下限和上限。对于 x[0]，您需要设置一个紧密的边界，因为该方法无法处理 x_low == x_high。

bounds = [(None, None)] * 8
bounds[0] = (0, 0.00001)
anws = minimize (g_optimization, [start_point], args=(mu_pos), method='L-BFGS-B', bounds=bounds,
                 options={'maxiter': 50}, tol=0.001)
# fun: -21467.48153792194
# x: array([0., 0.10039832, 0.01641271, 0.0990599, 0.11486735, 0.09188037, 0.05264228, -0.00183697])

另一种选择是将值x [0]从您的优化问题中排除：

def g_optimization(beta,mu_sim_pos):
    beta2 = np.empty(8)
    beta2[0] = 0
    beta2[1:] = beta
    return -1*g_func(beta2, mu_sim_pos)

start_point = np.zeros(7)  # exclude x[0]

anws = minimize(g_optimization, [start_point], args=(mu_pos), method='L-BFGS-B',
                 options={'maxiter': 50}, tol=0.001)
# fun: -21467.47686079844
# x: array([0.10041797, 0.01648995, 0.09908046, 0.11487707, 0.09190585, 0.05269467, -0.00174722])
#          ^ missing x[0]