scipy 优化中的步长最小化

问题描述

我正在通过改变 3 个参数来运行模拟。对于每个模拟，我计算一个指数，告诉我模拟是否正在改善（较低的指数）。 为此，我使用了 scipy.optimize.minimize，但我不确定哪种方法最好（我正在努力了解更多信息）。

def launcher(x0):
    #varying parameters#
    varying_p(x0[0],x0[1],x0[2])
    run_sim(simulation)
    results = import_results(simulation)
    indexes = index_calc(Data_from,Data_to,simulation,results)
    value = indexes['CHI_tot'].iloc[-1]
    return value

每个参数在我用“界限”表示的范围内变化。

当我启动模拟时，每个参数都以很小的步长变化。有一种方法不仅可以定义变化范围，还可以定义每个参数的步长（例如，步长为 50）

这是否有助于更快地获得优化结果？

v_cp = 999.209
v_rho = 1249.94
v_lambda = 0.2815

initialcond = np.array([v_cp,v_rho,v_lambda])
# Bounds: valid only for method L-BFGS-B,TNC,SLSQP,Powell,and trust-constr
bounds = [(400,1600),(400,(0.1,1.2)]

res = minimize(launcher,initialcond,bounds=bounds,method='L-BFGS-B',options = {'maxiter':10})

print(res.x)

解决方法

所有基于 SciPy 梯度的优化器（L-BFGS-B、SLSQP 等）都期望 - 显然 - 目标函数的梯度。如果你不提供它，他们会尝试为你计算一个数值，使用一些可笑的小步长（如 10^-6）。这可能就是你所看到的。一些“解决方法”：

1. 我好像记得有些优化器允许你设置梯度计算的步长（“eps”参数）

2. （更好）在调用优化器时将参数标准化为 0 到 1，并在调用外部模拟器之前对其进行反标准化。