python：scipy.optimize.minimize(method=’Nelder-Mead’)

最新推荐文章于 2023-12-25 15:07:27 发布

一从际发

最新推荐文章于 2023-12-25 15:07:27 发布

阅读量7.2k

点赞数

分类专栏： python 文章标签： python

本文链接：https://blog.csdn.net/kaever/article/details/106235500

版权

本文介绍了使用Python中的scipy.optimize.minimize函数，特别是method='Nelder-Mead'，来解决局部优化问题。讨论了Nelder-Mead算法对初始值的敏感性，通过Himmelblau函数的实例展示了优化流程，并提到了在不同参数取值范围不同时进行归一化的必要性。

摘要由CSDN通过智能技术生成

简介

优化问题是工程实践中经常遇到的一种问题。简单讲，就是搜索优化出一组自变量参数，使得目标函数达到极小值(极大值)。

如何搜索出这组参数呢：这就是优化算法做的事情。不同的优化算法适用于不同的优化问题。

本文简要介绍在python种NM算法来解决局部优化问题。

接口

在这里插入图片描述

使用总结：

NM是局域优化，即最终的优化结果会掉到一个局域最小值附近，故对初值敏感
有两种方式设置初值，1.设置x0；2.设置options中的initial_simplex。手动设置initial_simplex更好，可灵活控制收敛速度。
终止条件有：maxiter, maxfev, xatol, fatol。判断条件是：先判断是否达到maxiter, maxfev，若达到则终止；若未达到，则再判断 xatol, fatol是否同时满足条件，若满足，则终止。其源代码逻辑如下：

  while (fcalls[0] < maxfun and iterations < maxiter):
       if (numpy.max(numpy.ravel(numpy.abs(sim[1:] - sim[0]))) <= xatol and
               numpy.max(numpy.abs(fsim[0] - fsim[1:])) <= fatol):
           break