python找最大值的函数_python – 查找用户定义函数的局部最大值和最小值

find a list of the stationary points, of their values and locations, and of whether they are minima or maxima.

这通常是一个无法解决的问题.方法1(符号)适用于此,但对于复杂函数,没有静止点的符号解(没有方法用于象征性地求解两个方程的一般系统).

SymPy的符号解决方案

对于像您的示例这样的简单函数,SymPy将正常工作.这是一个完整的例子,用于找到静止点并通过Hessian的特征值对它们进行分类.

import sympy as sym

x, y = sym.symbols("x y")

f = sym.cos(x*10)**2 + sym.sin(y*10)**2

gradient = sym.derive_by_array(f, (x, y))

hessian = sym.Matrix(2, 2, sym.derive_by_array(gradient, (x, y)))

到目前为止,Hessian是符号矩阵2乘2：[[200 * sin(10 * x)** 2 – 200 * cos(10 * x)** 2,0],[0,-200 * sin(10) * y)** 2 200 * cos(10 * y)** 2]].接下来,我们通过将梯度等于零来找到静止点,并将它们逐个插入Hessian.

stationary_points = sym.solve(gradient, (x, y))

for p in stationary_points:

value = f.subs({x: p[0], y: p[1]})

hess = hessian.subs({x: p[0], y: p[1]})

eigenvals = hess.eigenvals()

if all(ev > 0 for ev in eigenvals):

print("Local minimum at {} with value {}".format(p, value))

elif all(ev < 0 for ev in eigenvals):

print("Local maximum at {} with value {}".format(p, value))

elif any(ev > 0 for ev in eigenvals) and any(ev < 0 for ev in eigenvals):

print("Saddle point at {} with value {}".format(p, value))

else:

print("Could not classify the stationary point at {} with value {}".format(p, value))

最后一个条款是必要的,因为当Hessian只是半定的时候,我们无法分辨出什么样的静止点(x ** 2 y ** 4和x ** 2-y ** 4具有相同的Hessian at(0, 0)但不同的行为).输出：

Saddle point at (0, 0) with value 1

Local maximum at (0, pi/20) with value 2

Saddle point at (0, pi/10) with value 1

Local maximum at (0, 3*pi/20) with value 2

Local minimum at (pi/20, 0) with value 0

Saddle point at (pi/20, pi/20) with value 1

Local minimum at (pi/20, pi/10) with value 0

Saddle point at (pi/20, 3*pi/20) with value 1

Saddle point at (pi/10, 0) with value 1

Local maximum at (pi/10, pi/20) with value 2

Saddle point at (pi/10, pi/10) with value 1

Local maximum at (pi/10, 3*pi/20) with value 2

Local minimum at (3*pi/20, 0) with value 0

Saddle point at (3*pi/20, pi/20) with value 1

Local minimum at (3*pi/20, pi/10) with value 0

Saddle point at (3*pi/20, 3*pi/20) with value 1

显然,解决方案没有找到所有的解决方案(其中有无数的解决方案).考虑solve vs solveset,但无论如何,处理无限多的解决方案很难.

使用SciPy进行数值优化

SciPy提供了很多numerical minimization routines,包括brute force(这是你的方法2;通常它非常慢).这些是强大的方法,但请考虑这些要点.

>每次运行只会找到一个最小值.

>用-f替换f也可以找到最大值.

>更改搜索的起点(最小化的参数x0)可能会产生另一个最大值或最小值.尽管如此,你永远不会知道还有其他你还没见过的极值.

>这些都不会找到马鞍点.

混合策略

使用lambdify可以将符号表达式转换为可以传递给SciPy数值解算器的Python函数.

from scipy.optimize import fsolve

grad = sym.lambdify((x, y), gradient)

fsolve(lambda v: grad(v[0], v[1]), (1, 2))

这返回一些静止点,在此示例中为[0.9424778,2.04203522].它取决于最初的猜测,即(1,2).通常(但并非总是),您将获得接近最初猜测的解决方案.

这比直接最小化方法具有优势,因为也可以检测鞍点.尽管如此,找到所有解决方案仍然很困难,因为每次运行fsolve只会产生一个.