Python 使用scipy.optimize最小化函数

我需要使用scipy最小化上述函数

我的输入数据

np.random.seed(1234)
m = 500    #500
n = 100    #100
A = np.asmatrix(np.random.randint(low=-10,high=1,size=(n,m)))     
b = np.asmatrix(np.random.randint(low=500,high=1000,size=(m,1)))  
c = np.asmatrix(np.random.randint(low=0.1,high=2,size=(n,1)))
x = np.asmatrix(np.random.randint(low=1,high=10,size=(n,1)))

我的功能和梯度：

def func(x, A, b, c):
    fx = np.dot(c.T, x) - np.sum(np.log10((b - np.dot(A.T, x))))
    return fx

def grad(x, A, b, c):
    gradient = A * (1.0/(b - A.transpose()*x)) + c
    return gradient

这就是我一直试图运行的

scipy.optimize.fmin_cg(func(x + t*grad(x, A, b, c),A, b, c), x, args=(A,b,c,x))

---

我不知道你想干什么

func(x + t*grad(x, A, b, c), A, b, c)

什么是

t

无论如何，您对fmin\U cg的呼叫是不正确的-的签名是

第一个参数需要是您的目标函数，

func

，第二个参数需要是您对

x

的初始猜测，第三个（可选）参数是您的梯度函数，

grad

，第四个参数是

f

和

fprime

的附加参数集（不包括

x

）

该调用应该如下所示：

scipy.optimize.fmin_cg(func, x, fprime=grad, args=(A, b, c))

---

但是，由于您的数组维度存在问题，这仍然不起作用：

<ipython-input-49-bf5fa71345fe> in grad(x, A, b, c)
      1 def grad(x, A, b, c):
----> 2         gradient = A * (1.0/(b - A.transpose()*x)) + c
      3         return gradient
      4 

/home/alistair/.venvs/core/local/lib/python2.7/site-packages/numpy/matrixlib/defmatrix.pyc in __mul__(self, other)
    341         if isinstance(other, (N.ndarray, list, tuple)) :
    342             # This promotes 1-D vectors to row vectors
--> 343             return N.dot(self, asmatrix(other))
    344         if isscalar(other) or not hasattr(other, '__rmul__') :
    345             return N.dot(self, other)

ValueError: shapes (500,100) and (1,100) not aligned: 100 (dim 1) != 1 (dim 0)

在第一次调用

grad

时，我们看到：

(Pdb) type(x)
<type 'numpy.ndarray'>
(Pdb) !x.shape
(100,)

。。。你最初的论点是：

np.random.seed(1234)
m = 500    #500
n = 100    #100
A = np.random.randint(low=-10, high=1, size=(n, m))
b = np.random.randint(low=500, high=1000, size=m) 
c = np.random.randint(low=0.1, high=2, size=n)
x = np.random.randint(low=1, high=10, size=n)

。。。现在，您对

fmin\u cg

的呼叫应该可以工作了：

res = scipy.optimize.fmin_cg(func, x, fprime=grad, args=(A, b, c))

---

由于您在函数中使用的是

np.dot

，因此不要使用

np.asmatrix

使事情复杂化。坚持使用正则数组。如果需要，添加尺寸标注（使用

newaxis

，

重塑

或

至少\u 2d

）。

def grad(x, A, b, c):
    gradient = A.dot(1.0/(b - A.T.dot(x))) + c
    return gradient

np.random.seed(1234)
m = 500    #500
n = 100    #100
A = np.random.randint(low=-10, high=1, size=(n, m))
b = np.random.randint(low=500, high=1000, size=m) 
c = np.random.randint(low=0.1, high=2, size=n)
x = np.random.randint(low=1, high=10, size=n)

res = scipy.optimize.fmin_cg(func, x, fprime=grad, args=(A, b, c))