Python 同时优化两个不同的函数,为两者提供通用的解决方案
我在一月份问了一个类似的问题,@Miłosz Wieczór很乐意回答。现在,我面临着一个类似但不同的挑战,因为我需要在两个数据集(Python 同时优化两个不同的函数,为两者提供通用的解决方案,python,scipy,scipy-optimize,symfit,Python,Scipy,Scipy Optimize,Symfit,我在一月份问了一个类似的问题,@Miłosz Wieczór很乐意回答。现在,我面临着一个类似但不同的挑战,因为我需要在两个数据集(e_exp和iq_exp)上同时拟合两个参数(fc和alpha)。我基本上需要找到最适合数据e_exp和iq_exp的fc和alpha值 import numpy as np import math from scipy.optimize import curve_fit, least_squares, minimize f_exp = np.array([1,
e_exp
和iq_exp
)上同时拟合两个参数(fc
和alpha
)。我基本上需要找到最适合数据e_exp
和iq_exp
的fc
和alpha
值
import numpy as np
import math
from scipy.optimize import curve_fit, least_squares, minimize
f_exp = np.array([1, 1.6, 2.7, 4.4, 7.3, 12, 20, 32, 56, 88, 144, 250000])
e_exp = np.array([7.15, 7.30, 7.20, 7.25, 7.26, 7.28, 7.32, 7.25, 7.35, 7.34, 7.37, 11.55])
iq_exp = np.array([0.010, 0.009, 0.011, 0.011, 0.010, 0.012, 0.019, 0.027, 0.038, 0.044, 0.052, 0.005])
ezero = np.min(e_exp)
einf = np.max(e_exp)
ig_fc = 500
ig_alpha = 0.35
def CCRI(f_exp, fc, alpha):
x = np.log(f_exp/fc)
R = ezero + 1/2 * (einf - ezero) * (1 + np.sinh((1 - alpha) * x) / (np.cosh((1 - alpha) * x) + np.sin(1/2 * alpha * math.pi)))
I = 1/2 * (einf - ezero) * np.cos(alpha * math.pi / 2) / (np.cosh((1 - alpha) * x) + np.sin(alpha * math.pi / 2))
RI = np.sqrt(R ** 2 + I ** 2)
return RI
def CCiQ(f_exp, fc, alpha):
x = np.log(f_exp/fc)
R = ezero + 1/2 * (einf - ezero) * (1 + np.sinh((1 - alpha) * x) / (np.cosh((1 - alpha) * x) + np.sin(1/2 * alpha * math.pi)))
I = 1/2 * (einf - ezero) * np.cos(alpha * math.pi / 2) / (np.cosh((1 - alpha) * x) + np.sin(alpha * math.pi / 2))
iQ = I / R
return iQ
poptRI, pcovRI = curve_fit(CCRI, f_exp, e_exp, p0=(ig_fc, ig_alpha))
poptiQ, pcoviQ = curve_fit(CCiQ, f_exp, iq_exp, p0=(ig_fc, ig_alpha))
einf
、ezero
和f_exp
都是常量,另外我需要优化的变量是ig_fc
和ig_alpha
,其中ig
代表初始猜测。在上面的代码中,我得到了两个不同的fc
和alpha
值,因为我独立求解它们。然而,我需要同时解决它们,以便fc
和alpha
是通用的
- 有没有办法解决两个不同的函数,为
和fc
提供通用解决方案alpha
perr=np.sqrt(np.diag(pcov))
因此,如果你想最小化整体误差,你需要将两种拟合的误差结合起来
def objective(what, ever):
poptRI, pcovRI = curve_fit(CCRI, f_exp, e_exp, p0=(ig_fc, ig_alpha))
poptiQ, pcoviQ = curve_fit(CCiQ, f_exp, iq_exp, p0=(ig_fc, ig_alpha))
# not sure if this the correct equation, but you can start with it
err_total = np.sum(np.sqrt(np.diag(pcovRI))) + np.sum(np.sqrt(np.diag(pcoviQ)))
return err_total
关于二维高斯函数的总误差:
更新:
由于您希望poptRI
和poptiQ
相同,因此需要最小化它们之间的距离
可以这样做
from numpy import linalg
def objective(what, ever):
poptRI, pcovRI = curve_fit(CCRI, f_exp, e_exp, p0=(ig_fc, ig_alpha))
poptiQ, pcoviQ = curve_fit(CCiQ, f_exp, iq_exp, p0=(ig_fc, ig_alpha))
delta = linalg.norm(poptiQ - poptRI)
return delta
最小化此函数将(应该)导致poptRI
和poptiQ
的值相似。将参数作为向量,并尝试最小化其增量向量的长度
但是,这种方法假设poptRI
和poptiQ
(及其系数)在相同的范围内,因为您对它们使用了一些度量。如果说其中一个在2000范围内,另一个在2范围内。然后优化器将倾向于调整第一个。但也许这很好
如果你想以同样的方式对待他们,你需要使他们正常化。
一种方法(假设所有系数相似)可以是
将结果规格化为单位向量,然后减去它们,然后创建范数
对于函数的输入也是如此,但它可能没有那么重要。请参阅下面的链接
但这在很大程度上取决于您试图解决的问题。没有普遍的解决办法
与此相关的一些链接:
另一个目标函数:
这就是你想做的吗?
您希望找到最佳的fc
和alpha
,以便两个函数的拟合结果尽可能接近
def objective(fc, alpha):
poptRI, pcovRI = curve_fit(CCRI, f_exp, e_exp, p0=(fc, alpha))
poptiQ, pcoviQ = curve_fit(CCiQ, f_exp, iq_exp, p0=(fc, alpha))
delta = linalg.norm(poptiQ - poptRI)
return delta
创建一个目标函数,使用曲线拟合的两个结果??感谢您的评论和提供链接,@Joe。我仍然不确定如何将两者结合成一个目标函数。“你能详细说明一下吗?再次谢谢你,”乔说。实际上,我想找到
fc
和alpha
的最佳估计值,我猜当误差为最低可能值时,会出现这种情况。因此,我不需要组合pcovRI
和pcoviQ
,而是需要找到包含poptRI
和poptiQ
的公共值。你对如何组合它们有什么想法吗?请参阅第二个反对函数。谢谢你,@Joe。你可能比我领先两步(如果不是更多的话)。如果独立运行它们,poptRI[0]=2549.59
,poptRI[1]=0.2921
,poptiQ[0]=2801.64
,poptiQ[1]=0.3202
,其中[0]=fc
和[1]=alpha
。如果我用what=e_exp
和ever=iq_exp
运行你的目标函数,delta返回252.04
,我希望它介于poptRI[0]
和poptiQ[0]
之间。我还需要alpha
(poptRI[1]
和poptiQ[1]
)但没有提供。我试图简单地添加并返回delta2=linalg.norm(poptiQ[1]-poptRI[1])
,但这个值也太小了。我为我的无知道歉。我没有完全理解你想做什么。您可能需要向目标函数添加更多自由变量,如def objective(您需要什么)
。可能是alpha
和fc
?我还添加了一些关于标准化的内容。因此,由于CCRI
中的fc
和alpha
(poptRI[0]
和poptRI[1]
)与CCiQ
中的相同参数不同(poptiQ[0]
和poptiQ[1]
),我想同时优化这两个方面,以便为fc
和alpha
找到最佳的通用拟合,我可以将其放入我的模型中。delta
是标准化的alpha
?如果是这种情况,我如何进行反向计算以找到alpha
的实际值?那么fc
呢?再一次,我为自己无知而感到抱歉。我只是想把我的脑袋绕过去。我为浪费你的时间感到难过,因为我显然不配。
def objective(fc, alpha):
poptRI, pcovRI = curve_fit(CCRI, f_exp, e_exp, p0=(fc, alpha))
poptiQ, pcoviQ = curve_fit(CCiQ, f_exp, iq_exp, p0=(fc, alpha))
delta = linalg.norm(poptiQ - poptRI)
return delta