Python scipy.optimize.fmin（单纯形）如何处理与不同量级相关的参数？

我希望通过使用单纯形算法（scipy.optimize.fmin）的python实现最小化卡方损失函数，使4参数（a、g、N和k）模型适合数据。 初步模拟表明每个参数的范围如下：a=[5,50]，g=[0.05,1.5]，N=[5200]，k=[0,0.05]

看起来scipy.optimize.fmin函数将参数视为所有参数都在同一范围内（可能是[0,1]）。我应该重新缩放吗？下面是我的代码：

#determine starting point (x0) for each parameter
a = np.random.uniform(5,50)
g = np.random.uniform(0.05, 1.5)
N = np.random.uniform(5, 200)
k = np.random.uniform(0, 0.05)
x0 = np.array ([a, g, N, k]) #initial guess for SIMPLEX

xopt = fmin (chis, x0, maxiter=1000)#call Simplex 

---

假设您希望最小化以下双变量函数

def to_min1((x,y)):
    return abs(1e-15 - x) + abs(1e15 - y)

即使这个例子不现实，它也突出了要点。当然，

fmin

可能不会在

x

中移动（如果

x0=0

），因为它已经非常接近于零

为了获得在优化程序中具有相等权重的目标，我们根据变量而不是差分来制定目标（使用分子参数以避免

零分错误

）：

请注意，这是一个值得关注的问题，因为通过这样做，您希望其迭代重新计算对所有参数都具有同等的权重

下面的内容并不能完全回答你的问题，而是回答了一个问题： scipy.optimize.fmin（单纯形）是否处理与不同量级相关的参数

显然没有，因为

>>> fmin(to_min1, (0,0))
Optimization terminated successfully.
         Current function value: 1000000000000000.000000
         Iterations: 3
         Function evaluations: 11
array([ 0.,  0.])

当

>>> fmin(to_min2, (0,0))
Optimization terminated successfully.
         Current function value: 1.000000
         Iterations: 118
         Function evaluations: 213
array([  1.00000000e-15,   8.98437500e-05])

---

当然，

优化

没有

成功终止。

，可以通过增加

fmin

的

maxiter

参数等来完成。。。但是这两个案例显然不是以相同的方式处理。

chis的

功能是自制的吗？如果是这样的话，我会重新调整最小化的目标，使它们成为相对的而不是绝对的。我的意思是使用变量而不是微分。当然，chis函数是自制的。如果需要，我可以提供代码。你能说得更具体些吗？你说的“处理变化”是什么意思？是什么让你想到这个问题的？例如，当最小化时，你有什么结果？
>>> fmin(to_min2, (0,0))
Optimization terminated successfully.
         Current function value: 1.000000
         Iterations: 118
         Function evaluations: 213
array([  1.00000000e-15,   8.98437500e-05])