Python Scipy.optimize.minimize目标函数值误差
我正在使用scipy.optimize.minimize处理一个包含9个自由变量的小优化问题。我的目标函数基本上是另一个函数的包装器,如果我计算我的目标函数,返回类型是'numpy.float32'。。。哪个是标量?但是,我在尝试使用最小化函数时遇到以下错误:Python Scipy.optimize.minimize目标函数值误差,python,numpy,optimization,scipy,Python,Numpy,Optimization,Scipy,我正在使用scipy.optimize.minimize处理一个包含9个自由变量的小优化问题。我的目标函数基本上是另一个函数的包装器,如果我计算我的目标函数,返回类型是'numpy.float32'。。。哪个是标量?但是,我在尝试使用最小化函数时遇到以下错误: raise ValueError("Objective function must return a scalar") ValueError: Objective function must return a scalar 不可能将目标
raise ValueError("Objective function must return a scalar")
ValueError: Objective function must return a scalar
不可能将目标函数包装到另一个函数中吗?其他函数参数是全局声明的,但是如果这不正确,我可以将它们硬编码到beam_剪切函数中
相关代码片段:
from numpy import array, shape, newaxis, isnan, arange, zeros, dot, linspace
from numpy import pi, cross, tile, arccos,sin, cos, sum, atleast_2d, asarray, float32, ones
from numpy import sum, reshape
from scipy.optimize import minimize
def normrow(A):
A = atleast_2d(asarray(A, dtype=float32))
return (sum(A ** 2, axis=1) ** 0.5).reshape((-1, 1))
def beam_shear(xyz, pt0, pt1, pt2, x):
# will not work for overlapping nodes...
s = zeros((len(xyz), 3))
xyz_pt0 = xyz[pt0, :]
xyz_pt1 = xyz[pt1, :]
xyz_pt2 = xyz[pt2, :]
e01 = xyz_pt1 - xyz_pt0
e12 = xyz_pt2 - xyz_pt1
e02 = xyz_pt2 - xyz_pt0
trip_norm = cross(e01, e12)
mu = 0.5 * (xyz_pt2 - xyz_pt1)
l01 = normrow(e01)
l12 = normrow(e12)
l02 = normrow(e02)
l_tn = normrow(trip_norm)
l_mu = normrow(mu)
a = arccos((l01**2 + l12**2 - l02**2) / (2 * l01 * l12))
k = 2 * sin(a) / l02 # discrete curvature
ex = trip_norm / tile(l_tn, (1, 3))
ez = mu / tile(l_mu, (1, 3))
ey = cross(ez, ex)
kb = tile(k / l_tn, (1, 3)) * trip_norm
kx = tile(sum(kb * ex, 1)[:, newaxis], (1, 3)) * ex
m = x * kx
cma = cross(m, e01)
cmb = cross(m, e12)
ua = cma / tile(normrow(cma), (1, 3))
ub = cmb / tile(normrow(cmb), (1, 3))
c1 = cross(e01, ua)
c2 = cross(e12, ub)
l_c1 = normrow(c1)
l_c2 = normrow(c2)
ms = sum(m**2, 1)[:, newaxis]
Sa = ua * tile(ms * l_c1 / (l01 * sum(m * c1, 1)[:, newaxis]), (1, 3))
Sb = ub * tile(ms * l_c2 / (l12 * sum(m * c2, 1)[:, newaxis]), (1, 3))
Sa[isnan(Sa)] = 0
Sb[isnan(Sb)] = 0
s[pt0, :] += Sa
s[pt1, :] -= Sa + Sb
s[pt2, :] += Sb
return s
def cross_section_obj(x):
s = beam_shear(xyz, pt0, pt1, pt2, x)
l_s = normrow(s)
val = sum(l_s)
return val
xyz = array([[ 0, 0., 0.],
[ 0.16179067, 0.24172157, 0.],
[ 0.33933063, 0.47210142, 0.],
[ 0.53460629, 0.68761389, 0.],
[ 0.75000537, 0.88293512, 0.],
[ 0.98816469, 1.04956383, 0.],
[ 1.25096091, 1.17319961, 0.],
[ 1.5352774, 1.22977204, 0.],
[ 1.82109752, 1.18695051, 0.],
[ 2.06513705, 1.03245579, 0.],
[ 2.23725517, 0.79943842, 0.]])
pt0 = array([0, 1, 2, 3, 4, 5, 6, 7, 8])
pt1 = array([1, 2, 3, 4, 5, 6, 7, 8, 9])
pt2 = array([2, 3, 4, 5, 6, 7, 8, 9, 10])
EIx = (ones(len(pt1)) * 12.75).reshape(-1, 1)
bounds = []
for i in range(len(EIx)):
bounds.append((EIx[i][0], EIx[i][0] * 100))
print(type(cross_section_obj(EIx)))
res = minimize(cross_section_obj, EIx, method='SLSQP', bounds=bounds)
如前所述:
print(type(cross_section_obj(EIx)))
返回:
<type 'numpy.float32'>
EIx是优化的初始值集,它是一个形状数组(9,1) 您的参数值数组
EIx
是二维的;它具有形状(9,1)。在最小化过程中,该数组在第一次迭代后变为一维。但是,如果x
是一维的,则功能beam\u-shear
不起作用
您可以通过将横截面更改为以下内容来解决此问题:
def cross_section_obj(x):
x = x.reshape((-1,1))
s = beam_shear(xyz, pt0, pt1, pt2, x)
l_s = normrow(s)
val = sum(l_s)
return val
然后代码会运行,但当然,您需要再次检查这是否是您真正想要计算的。需要了解的重要一点是,如果要对数组使用minimize,则应传入展平版本,然后再进行重塑。因此,我总是将所需的形状作为最小化函数的参数之一。在你的情况下,我会这样做:
def cross_section_obj(x, *args):
xyz, pt0, pt1, pt2, shape = args
x = x.reshape(shape)
s = beam_shear(xyz, pt0, pt1, pt2, x)
l_s = normrow(s)
val = sum(l_s)
return val
然后您的minimize
调用将更改如下:
res = minimize(cross_section_obj, EIx.flatten(), method='SLSQP',
bounds=bounds, args=(xyz, pt0, pt1, pt2, EIx.shape))
分配给
l_s
的sum
开头缺少括号。另外,如果你只是想把一个量加起来,你不需要改变形状,添加一个我们可以运行的例子。对形状可能是个问题。用于调试:在返回val
之前的行中添加打印(键入(val))
。另外:10个自由变量
!=<代码>EIx是优化的初始值集,它是一个形状数组(9,1)。这里是一个例子,希望这能澄清一些问题!关于自由变量,你也是对的(在这种情况下应该是9),和括号是固定的。该代码甚至在梁剪切中有一个错误(我们不知道)。不可能与scipy一起解决问题。您仍然没有执行我的调试建议(也许您认为您的打印内容涵盖了它;事实并非如此!至少总体上没有)。