Python 如何使用nevergrad求整数域上代价函数的最小值？

作为论文的一部分，我们考虑使用。然而，遗憾的是，它并不总是返回相同的结果，也不是最理想的结果

我们尝试了

DiscreteOnePlusOne

作为优化器，但没有找到最佳结果

OnePlusOne

工作正常，但没有给出最佳解决方案，需要以下提示：

if s1 < s2*(1+r0):
    return np.Inf

我们怎样才能使自己更健壮

我们应该使用哪个优化器

有没有办法在不同的“初始条件”下多次运行nevergrad，并在所有多次尝试中获得最佳结果

---

你为什么要寻找一个不可微的解？如果您确实在寻找整数

s1

和

s2

，那么这个搜索空间非常小，您可以直接搜索-否？这是一个玩具优化，而不是你感兴趣的实际功能？或者这是一个更一般的问题？@modesitt搜索空间比100x100复杂。这只是一个玩具示例，说明nevergrad仍然无法找到最佳解决方案。

然而，遗憾的是，它并不总是返回相同的结果，也不总是返回最佳结果。

您的期望是什么？前者是因为非受控随机种子（见文档），后者只是显示了这些解算器的一般保证：无（不保证局部或全局收敛）。在不具有代表性的玩具问题上进行这样的调优对我来说毫无意义，因为传输到其他实例的统计信息可能会扼杀每次调优。在没有测试床的情况下调整启发式并关心统计数据通常是个坏主意，询问没有访问您的测试床的其他人也是如此。@sascha有没有办法运行100个独立的最小化过程并采取最频繁的策略，或者从所有100次尝试中选择一个导致最佳结果的策略？

!pip install nevergrad
import numpy as np
def optimal(r0: float, s1:int, s2:int):
  r0 = r0/100
  if s1 < s2*(1+r0):
    return np.Inf

  p1=1-np.power(1-r0,s1)
  r1=r0/p1
  p2=1-np.power(1-r1,s2)
  return 1/s1 + p1/s2 + p1*p2

import nevergrad as ng

def findBestStategy(r0: float):
  '''
  r0 is in %
  '''
  parametrization = ng.p.Instrumentation(
      r0 = r0, 
      s1=ng.p.Scalar(lower=1, upper=100).set_integer_casting(),
      s2=ng.p.Scalar(lower=1, upper=100).set_integer_casting(),
  )
  optimizer = ng.optimizers.OnePlusOne(parametrization=parametrization, budget=2000, num_workers=1)
  recommendation = optimizer.minimize(optimal)
  return recommendation.kwargs
findBestStategy(1)
{'r0': 1, 's1': 23, 's2': 5}

optimal(1, 23,5)
0.13013924406458133
optimal(1, 24,5) 
0.13007783167425113