scipy.optimize.minimize卡方python

所以我在做这个任务，我应该最小化卡方函数。我在互联网上看到有人这样做，所以我只是复制了它：

我做了一个卡方函数，它是三个变量（x，y，sigma）中的函数，其中sigma是随机的高斯波动随机的。高斯（0，sigma）。我没有在这里打印这些代码，因为乍一看可能会让人困惑（我使用了很多递归）。但是我可以向你保证这个函数是正确的

现在这段代码只是列出了计算出的最小值（由于随机高斯波动，每次都不同）。但主要问题来了。如果我的计算正确，我们应该得到一个平均值为2的列表（因为我有2个自由度，正如你在这个链接中看到的：）

但是当我使用这个代码时，我得到了一个平均值为4的列表，但是如果我加上方法“Powell”，我得到的平均值是9

所以我的主要问题是，这些方法怎么可能如此不同，我如何知道使用哪种方法来获得最佳优化

因为我认为错误可能在我的平方函数中，所以我也将展示这个函数。这项任务背后的故事是，我们需要找到移动设备的位置，并且在位置（0,0）、（20,0）、（0,20）和（20,20）上有路由器。我们使用了很多递归，卡方图看起来很好（它在（5,5）上有一个最小值）

---

Kees

你能用一个额外的关键字参数调用optimize吗：options={'disp'：True}？这将打开例程的调试消息传递。您将能够看到是否有任何隐藏的投诉。警告：由于精度损失，不一定会达到预期的错误。当前函数值：6.883043迭代次数：0函数评估：56梯度评估：11这是我所看到的：它将d比较4和9的结果是错误的，因为这两个结果都不收敛（就像你为至少一个问题指出的那样）。请记住，你的问题可能是非凸的，所有这些解算器只能给出一些局部最优解（没有关于全局解的信息）。它们也非常依赖于起点。我认为你应该展示你的

Chi

函数！如果你在优化一个函数时使用

exp

而不限制变量，则会出现数值错误，我认为这是非常可能的。更受约束的优化器可能在这方面遇到困难。我将展示我的Chi_平方代码：d是否可以使用其他关键字参数调用optimize:options={'disp'：True}？这将打开例程的调试消息传递。您将能够看到是否有任何隐藏的投诉。警告：由于精度损失，不一定会达到预期的错误。当前函数值：6.883043迭代次数：0函数评估：56梯度评估：11这是我所看到的：它将d比较4和9的结果是错误的，因为这两个结果都不收敛（就像你为至少一个问题指出的那样）。请记住，你的问题可能是非凸的，所有这些解算器只能给出一些局部最优解（没有关于全局解的信息）。它们也非常依赖于起点。我认为你应该展示你的

Chi

函数！如果你在优化一个函数时使用

exp

而不限制变量，则会出现数值错误，我认为这是非常可能的。更受约束的优化器可能在这方面遇到困难。我将展示我的Chi_平方代码：D

def Chi2(pos):
    return Chi(pos[0],pos[1],1) 

x_list= []
y_list= []  
chi_list = []
    for i in range(1000):
        result = scipy.optimize.minimize(Chi2,[5,5]).x
        x_list.append(result[0])
        y_list.append(result[1])
        chi_list.append(Chi2(result))

def perfectsignal(x_m,y_m,x_r,y_r):
    return 20*np.log10(c / (4 * np.pi * f)) - 10 * np.log((x_m-x_r)**2 + (y_m-y_r)**2 + 2**2)

def signal(x_m,y_m,x_r,y_r,sigma):
    return perfectsignal(x_m,y_m,x_r,y_r) + random.gauss(0,sigma)

def res(x_m,y_m,x_r,y_r,sigma,sigma2):
    x = (signal(x_m,y_m,x_r,y_r,sigma) -   perfectsignal(x_m,y_m,x_r,y_r))/float(sigma2);
    return x

def Chi(x,y,sigma):
    return(res(x,y,0,0,sigma,1)**2+res(x,y,20,0,sigma,1)**2+res(x,y,0,20,sigma,1)**2+res(x,y,20,20,sigma,1)**2)