python - 使用 scipy 进行优化

在以下脚本中:

import numpy as np
from scipy.optimize import minimise

a=np.array(range(4))
b=np.array(range(4,8))

def sm(x,a,b):
      sm=np.zeros(1)
      a=a*np.exp(x)
      sm += sum(b-a)
      return sm

 x0=np.zeros(4)
 print sm(x0,a,b) #checking my function

 opt = minimize(sm,x0,args=(a,b),method='nelder-mead',
 options={'xtol': 1e-8,     'disp': True})

我正在尝试针对 x 进行优化，但收到以下消息:



结果是:



哪个不是最优的。
我的问题是我收到这条消息和结果是因为我的起点不正确吗？

最佳答案

您的函数 sm 似乎是无界的。随着您增加 x ， sm 将变得更加负面，因此它会变为 -inf 。

回复:评论 - 如果您想让 sm() 尽可能接近零，请修改函数定义中的最后一行以读取 return abs(sm) 。

这最小化了函数的绝对值，使其接近于零。

您的示例的结果:

>>> opt = minimize(sm,x0,args=(a,b),method='nelder-mead', options={'xtol': 1e-8,     'disp': True})
Optimization terminated successfully.
         Current function value: 0.000000
         Iterations: 153
         Function evaluations: 272
>>> opt
  status: 0
    nfev: 272
 success: True
     fun: 2.8573836630130245e-09
       x: array([-1.24676625,  0.65786454,  0.44383101,  1.73177358])
 message: 'Optimization terminated successfully.'
     nit: 153

关于python - 使用 scipy 进行优化，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/29229810/