Python 西皮元';t找到最佳值(简单余弦函数)
我试图使用scipy优化器估计余弦函数的参数(是的,我知道可以使用arc cos,但我不想这样做) 代码+演示:Python 西皮元';t找到最佳值(简单余弦函数),python,optimization,scipy,Python,Optimization,Scipy,我试图使用scipy优化器估计余弦函数的参数(是的,我知道可以使用arc cos,但我不想这样做) 代码+演示: import numpy import scipy def solver(data): Z=numpy.zeros(len(data)) a=0.003 for i in range(len(data)): def minimizer(b): return numpy.abs(data[i]-numpy.cos(b))
import numpy
import scipy
def solver(data):
Z=numpy.zeros(len(data))
a=0.003
for i in range(len(data)):
def minimizer(b):
return numpy.abs(data[i]-numpy.cos(b))
Z[i]=scipy.optimize.minimize(minimizer,a,bounds=[(0,numpy.pi)],method="L-BFGS-B").x[0]
return Z
Y=numpy.zeros(100)
for i in range(100):
Y[i]=numpy.cos(i/25)
solver(Y)
结果不是很好,当cos函数的参数达到2以上的值时,估计值“跳过”这些值并返回最大参数值
array([0. , 0.04 , 0.08 , 0.12 , 0.16 ,
0.2 , 0.24 , 0.28 , 0.32 , 0.36 ,
0.4 , 0.44 , 0.48 , 0.52 , 0.56 ,
0.6 , 0.64 , 0.67999999, 0.72 , 0.75999999,
0.8 , 0.83999999, 0.88 , 0.92 , 0.95999999,
1. , 1.04 , 1.08 , 1.12 , 1.16 ,
1.2 , 1.24 , 1.28 , 1.32 , 1.36 ,
1.4 , 1.44 , 1.48 , 1.52 , 1.56 ,
1.6 , 1.64 , 1.68 , 1.72 , 1.76 ,
1.8 , 1.84 , 1.88 , 1.91999999, 1.95999999,
2. , 2.04 , 3.14159265, 3.14159265, 3.14159265,
3.14159265, 3.14159265, 3.14159265, 3.14159265, 3.14159265,...
是什么导致了这种现象?是否有其他一些优化器/设置可以帮助解决此问题 原因是,对于函数(例如)
f=abs(cos(0.75*pi)-cos(z))
梯度f'
恰好在z=pi
处消失,如下图所示:
如果您在优化过程中检查结果,您将看到:
fun: array([0.29289322])
hess_inv: <1x1 LbfgsInvHessProduct with dtype=float64>
jac: array([0.])
message: b'CONVERGENCE: NORM_OF_PROJECTED_GRADIENT_<=_PGTOL'
nfev: 16
nit: 2
status: 0
success: True
x: array([3.14159265])
哪些产出:
Step #1: xk = [0.006]
Step #2: xk = [3.14159265]
因此,在第二步中,它击中了z>=pi
,这被投射回z=pi
您可以通过将边界减少到例如bounds=[(0,0.99*np.pi)]
来避免这个问题。这将为您提供预期的结果,但是该方法不会收敛;您将看到如下内容:
fun: array([1.32930966e-09])
hess_inv: <1x1 LbfgsInvHessProduct with dtype=float64>
jac: array([0.44124484])
message: b'ABNORMAL_TERMINATION_IN_LNSRCH'
nfev: 160
nit: 6
status: 2
success: False
x: array([2.35619449])
除了一般的
minimize
方法外,SciPy还有minimize\u scalar
专门用于一维问题,以及least\u squares
用于最小化测量两个量之间差异的特定类型的函数(例如cos(b)
和diff[i]
此处)。后者在这里表现良好,即使没有微调
for i in range(len(data)):
Z[i] = scipy.optimize.least_squares(lambda b: data[i] - numpy.cos(b), a, bounds=(0, numpy.pi)).x[0]
传递给最小二乘法的函数是我们希望接近0的函数,没有绝对值。我要补充的是,a=0.003似乎是起点的次优选择,因为它离边界太近了;尽管如此,它还是有效的
另外,正如已经发布的a_guest
一样,标量根查找方法应该做同样的事情,同时在这里抛出更少的惊喜,因为我们已经有了一个很好的括号间隔[0,pi]。二分法可靠但速度慢;这是我可能会用到的
for i in range(len(data)):
Z[i] = scipy.optimize.brentq(lambda b: data[i] - numpy.cos(b), 0, numpy.pi)
可能不是你想要的答案,但是用val%=2*numpy.pi
对你的输入进行预处理可能会奏效。@Dole除此之外,代码是不可运行的-我希望其他人比我更了解你想要实现什么,以及你的策略是什么。@T先生,对不起,数组未初始化。我想有一个优化器,可以找到余弦参数。因此,如果它被输入cos(2.4),它应该返回2.4。相反,正如可以看到的,它返回3.14…@Dole不知道为什么它不工作,但这绝对是一个工作。您想要找到的是函数data[i]-np.cos(b)
的根。我尝试了对分方法。然而,它抱怨说,尽管这些标志有所不同,但它们并没有什么不同,有没有黑客?最小二乘法工作得很好,但所有的公差都需要最大化,否则误差会迅速增长。@Dole如果它抱怨类似的符号,那可能是因为它们确实是相同的。你能提供f
的定义以及它不适用的情况吗?最好同时三次检查对bisect
的调用。确切的错误消息是什么?
for i in range(len(data)):
Z[i] = scipy.optimize.least_squares(lambda b: data[i] - numpy.cos(b), a, bounds=(0, numpy.pi)).x[0]
for i in range(len(data)):
Z[i] = scipy.optimize.brentq(lambda b: data[i] - numpy.cos(b), 0, numpy.pi)