Python scipy.optimize.minimize收敛问题

我有一个我希望优化的函数，但它返回

nan

s

以下是函数（

fnRestrictParams

是一个辅助函数）：

测试此功能的数据为

我知道这个函数工作正常，因为我已经将输出与原始作者提供的实现（用另一种编程语言）进行了比较

但是，当我尝试使用

scipy.optimize.minimize

优化此函数时：

# optimize the function without the gradient
spoGC = spo.minimize(fnGASGaussianCopulaLikelihood, np.array([0.005,-5,5.0]),
                     args = (int(mData.shape[0]), mData[:, [0, 1]]),
             method = 'BFGS', options = {'disp': True, 'gtol': 1e-10, 'eps': 1e-10})

我得到：

Optimization terminated successfully.
         Current function value: nan
         Iterations: 0
         Function evaluations: 5
         Gradient evaluations: 1
Out[34]: 
(array([ 0.005     ,  1.0067607 ,  0.72974065]),
 nan,
 array([ nan,  nan,  nan]),
 array([[1, 0, 0],
        [0, 1, 0],
        [0, 0, 1]]),
 5,
 1,
 0)

---

这显然是不好的。我无法找出导致此问题的原因。任何帮助都将不胜感激

嗯，函数返回的是

nan

，因此存在问题。调试函数内部停止的最小化代码。复制导致异常的函数的输入。然后您就知道函数的哪些值不起作用，您可以进一步调查函数是如何失败的。@gg349您完全正确。接下来的问题是我应该如何处理

NaN

s。我在R中编写了相同的函数，R的BFGS实现没有问题。我是否应该在函数中检查是否返回了

NaN

，并将其设置为一些较大的正值，以阻止BFGS尝试探索该部分参数空间？在Python中是否有一个更健壮的BFGS实现（例如R的

optim

），当遇到

NaN

s时，它会返回到最后一步？如果有必要，我可以提供R代码。1）是的，这是一种选择，我会选择；2） 我不明白为什么这个解决方案不可靠；3） 我不知道R中的optim是如何处理nans的，我无法想象它是如何工作的，但我看不出这是一个多么好的特性，它会夺走你的力量。简单地说，我不知道有任何针对返回无效值的函数的优化算法。这个论点超越了编码。

# optimize the function without the gradient
spoGC = spo.minimize(fnGASGaussianCopulaLikelihood, np.array([0.005,-5,5.0]),
                     args = (int(mData.shape[0]), mData[:, [0, 1]]),
             method = 'BFGS', options = {'disp': True, 'gtol': 1e-10, 'eps': 1e-10})

Optimization terminated successfully.
         Current function value: nan
         Iterations: 0
         Function evaluations: 5
         Gradient evaluations: 1
Out[34]: 
(array([ 0.005     ,  1.0067607 ,  0.72974065]),
 nan,
 array([ nan,  nan,  nan]),
 array([[1, 0, 0],
        [0, 1, 0],
        [0, 0, 1]]),
 5,
 1,
 0)