在Python中使用limfit.Minimize最小化目标函数
我的包在Python中使用limfit.Minimize最小化目标函数,python,numpy,scipy,mathematical-optimization,least-squares,Python,Numpy,Scipy,Mathematical Optimization,Least Squares,我的包lmfit有问题。最小化最小化程序。实际上,我无法为我的问题创建正确的目标函数 问题定义 我的函数:yn=a_11*x1**2+a_12*x2**2+…+a_m*xn**2,其中xn-未知数,a_m- 系数。n=1..n,m=1..m 在我的例子中,N=5表示x1、…、x5和M=3表示y1、y2、y3 我需要找到最优值:x1,x2,…,x5,这样它就可以满足y 我的问题: import numpy as np from lmfit import Parameters, minimize
lmfit有问题。最小化最小化程序。实际上,我无法为我的问题创建正确的目标函数
问题定义
- 我的函数:
yn=a_11*x1**2+a_12*x2**2+…+a_m*xn**2
,其中xn
-未知数,a_m
-
系数。n=1..n,m=1..m
- 在我的例子中,
N=5
表示x1、…、x5
和M=3
表示y1、y2、y3
我需要找到最优值:x1,x2,…,x5
,这样它就可以满足y
我的问题:
import numpy as np
from lmfit import Parameters, minimize
def func(x,a):
return np.dot(a, x**2)
def residual(pars, a, y):
vals = pars.valuesdict()
x = vals['x']
model = func(x,a)
return y - model
def main():
# simple one: a(M,N) = a(3,5)
a = np.array([ [ 0, 0, 1, 1, 1 ],
[ 1, 0, 1, 0, 1 ],
[ 0, 1, 0, 1, 0 ] ])
# true values of x
x_true = np.array([10, 13, 5, 8, 40])
# data without noise
y = func(x_true,a)
#************************************
# Apriori x0
x0 = np.array([2, 3, 1, 4, 20])
fit_params = Parameters()
fit_params.add('x', value=x0)
out = minimize(residual, fit_params, args=(a, y))
print out
if __name__ == '__main__':
main()
- 错误:
ValueError:操作数无法与形状(3,)(3,5)一起广播。
- 我是否用Python正确地创建了问题的目标函数
我的代码:
import numpy as np
from lmfit import Parameters, minimize
def func(x,a):
return np.dot(a, x**2)
def residual(pars, a, y):
vals = pars.valuesdict()
x = vals['x']
model = func(x,a)
return y - model
def main():
# simple one: a(M,N) = a(3,5)
a = np.array([ [ 0, 0, 1, 1, 1 ],
[ 1, 0, 1, 0, 1 ],
[ 0, 1, 0, 1, 0 ] ])
# true values of x
x_true = np.array([10, 13, 5, 8, 40])
# data without noise
y = func(x_true,a)
#************************************
# Apriori x0
x0 = np.array([2, 3, 1, 4, 20])
fit_params = Parameters()
fit_params.add('x', value=x0)
out = minimize(residual, fit_params, args=(a, y))
print out
if __name__ == '__main__':
main()
直接使用scipy.optimize.minimize()
下面的代码解决了这个问题。请注意,如果有更多的点yn
,您将获得与x_true
相同的结果,否则存在多个解决方案。您可以通过添加边界(请参阅下面使用的bounds
参数)来最小化不良约束优化的影响
如果M>=N
您也可以使用scipy.optimize.leastsq
执行此任务:
import numpy as np
from scipy.optimize import leastsq
def residual(x, a, y):
return y - a.dot(x**2)
def main():
M = 5
N = 5
a = np.random.random((M, N))
x_true = np.array([10, 13, 5, 8, 40])
y = a.dot(x_true**2)
x0 = np.array([2, 3, 1, 4, 20])
out = leastsq(residual, x0=x0, args=(a, y))
print(out[0])
您的代码出现另一个错误ValueError:对象对于所需数组来说太深了
@Saullo。我再次遇到相同的错误:ValueError:操作数无法与形状(3,)(3,5)一起广播。
谢谢。为什么不使用lmfit
,lmfit
有什么问题吗?我的问题是M@Spider是的,将第一个选项用于scipy.optimize.minimize()
如何避免输出中的“分钟”值?对我来说应该是+
。你会怎么想?@Spider看到编辑了。。。我已经介绍了如何使用参数bounds
来添加约束。。。