Python 在保持某些变量不变的情况下最小化函数
我有一个函数的形式Python 在保持某些变量不变的情况下最小化函数,python,minimize,Python,Minimize,我有一个函数的形式 def tmp(x,n): R, s, a, T = x[0], x[1], x[2], x[3] 经过长时间的计算后,返回一个浮点值 我需要最小化此函数,为此我使用了scipy.optimize.minimize() 上面的代码查找函数tmp()的最小值,起始值如图所示 现在我需要最小化同一个函数tmp,但是保持变量R,T不最小化,作为参数。换句话说,我希望函数的编写方式如下: def tmp(x,n,R,T): s, a = x[0], x[1]
def tmp(x,n):
R, s, a, T = x[0], x[1], x[2], x[3]
经过长时间的计算后,返回一个浮点值
我需要最小化此函数,为此我使用了scipy.optimize.minimize()
上面的代码查找函数tmp()的最小值,起始值如图所示
现在我需要最小化同一个函数tmp,但是保持变量R,T不最小化,作为参数。换句话说,我希望函数的编写方式如下:
def tmp(x,n,R,T):
s, a = x[0], x[1]
如何在不编辑我的第一个函数的情况下创建上述函数?默认情况下,这是不可能的。您需要给
tmp(x,n,R,T)
一个不同的名称
但也有可能,使用不知道函数中发生了什么,这会使测试某些内容变得困难。。。 在函数中,在哪里定义R、s、a和T 您不能编写如下函数:
def tmp(x,n,cons):
if cons is False:#case 1
R, s, a, T = x[0], x[1], x[2], x[3]
elif cons is True:#case 2
R=0 #change them if you want
T=60000
s, a = x[0], x[1]
#your calculations
#...
然后,您必须记住(!)在第一种情况下,您的“最小化”必须是这样的:
minimize(tmp,[0,0,3,60000], args=(n,cons),tol =1e-15)#where args is (2,False) for example
如案例2所示:
minimize(tmp,[0,3], args=(n,cons),tol =1e-15)#where args is (2,True)
这是一个老问题,但我遇到了这个问题并找到了另一个解决方案。您可以定义一个“mask”函数,用于重新组合标量函数的“feed”向量。例如
import numpy as np
from scipy.optimize import minimize
def test_fun(x):
return (x[0] - 1)**2 + (x[1] - 2)**2 + (x[2] - 3)**2
def mask_fun(x, x0, mask):
x_re = np.zeros(len(mask))
x_re[mask > 0] = x
x_re[mask == 0] = x0
return test_fun(x_re)
mask = np.array([1, 1, 1]) # ones to estimate, zero for known/apriori
x_est = np.array([1., 2., 3.])
x_in = x_est[mask > 0]
x_param = x_est[mask == 0]
minimize(mask_fun, x_in, args=(x_param, mask))
谢谢,我来看看多方法库。我试图避免将tmp重写为新函数,因为这意味着我必须复制许多代码块,这对我来说似乎毫无意义。您可以使用默认参数def
tmp(x,n,R=None,T=None):
。根据R
和T
的值,您可以进行不同的操作。如果我这样做,我将不得不更改第一个函数,并且我希望保留这两个函数。好的,然后继续使用多方法。谢谢,这看起来更像我的想法。我在tmp(x,n)中定义了R,s,a,T,就在定义行之后,如我的第一篇文章所示。希望这能奏效。很抱歉,我不能在这里发布整个函数(一个36x36的微分方程系统),因为它是为我的客户工作的。
import numpy as np
from scipy.optimize import minimize
def test_fun(x):
return (x[0] - 1)**2 + (x[1] - 2)**2 + (x[2] - 3)**2
def mask_fun(x, x0, mask):
x_re = np.zeros(len(mask))
x_re[mask > 0] = x
x_re[mask == 0] = x0
return test_fun(x_re)
mask = np.array([1, 1, 1]) # ones to estimate, zero for known/apriori
x_est = np.array([1., 2., 3.])
x_in = x_est[mask > 0]
x_param = x_est[mask == 0]
minimize(mask_fun, x_in, args=(x_param, mask))