Python-玩转数据-凸优化

一、说明

最优化问题目前在机器学习，数据挖掘等领域应用非常广泛，因为机器学习简单来说，主要做的就是优化问题，先初始化一下权重参数，然后利用优化方法来优化这个权重，直到准确率不再是上升，迭代停止，那到底什么是最优化问题呢？

比如你要从上海去北京，你可以选择搭飞机，或者火车，动车，但只给你500块钱，要求你以最快的时间到达，其中到达的时间就是优化的目标，500块钱是限制条件，选择动车，火车，或者什么火车都是x

在金融和经济领域，凸优化有着重要的作用。例如期权定价，效用最优化等问题。

• 1、在这里，我们首先定义要优化的函数并作图。
• 2、接下来，我们分别来求解全局最优和局部最优，我们需要使用scipy.optimize库中的brute和fmin函数。
• 3、修改函数以跟踪详细的信息，修改初始的参数可以让结果更为优化。
• 4、在局部最优化中，除了指定函数的定义和初始参数外，还可以指定输入参数的容忍度和函数值的容忍度，以及最大的迭代次数和函数调用次数。
• 5、不同的初始参数通过局部最优化可能得到不同的结果。

二、示例

#coding:UTF-8
import numpy as np
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
import matplotlib as mpl
import scipy.optimize as spo
 
def fm(*args):
    return (np.sin(args[0])+0.05*args[0]**2+np.sin(args[1])+0.05*args[1]**2)
 
x = np.linspace(-10,10,50)
y = np.linspace(-10,10,50)
x,y = np.meshgrid