scipy.optimize.differential |
您所在的位置：网站首页 › evolution有几代 › scipy.optimize.differential |
|
查找多元函数的全局最小值。 差分进化本质上是随机的(不使用梯度方法)来寻找最小值，可以搜索大范围的候选空间，但与传统的基于梯度的技术相比，通常需要更多的函数计算。 该算法归因于Storn和Price [1]. 参数 func可调用要最小化的目标函数。必须在表格中 f(x, *args) ，在哪里 x 是一维数组形式的参数，并且 args 是完全指定函数所需的任何附加固定参数的元组。 边界 ：序列或 Bounds序列或变量的界限。有两种方式可以指定边界：1. Bounds 班级。2. (min, max) 中每个元素的对 x 的优化参数的有限上下界。 func 。它被要求有 len(bounds) == len(x) 。 len(bounds) 用于确定 x 。 args元组，可选完全指定目标函数所需的任何附加固定参数。 strategy字符串，可选要使用的差异进化策略。应为以下之一： “Best 1bin” “Best 1exp” “rand1exp” “RANDOBEST 1EXP” ‘CURRENT TO BEST 1EXP’ “Best 2exp” “rand2exp” “RANDOBEST 1BIN” ‘当前到最佳1bin’ “Best 2bin” “随机2bin” “随机1bin” 默认值为‘Best 1bin’。 maxiter整型，可选整个种群进化的最大世代数。函数求值的最大数量(无抛光)为： (maxiter + 1) * popsize * len(x) popsize整型，可选用于设置总人口规模的乘数。人口中有 popsize * len(x) 个人。如果通过 init 关键字。在使用时 init='sobol' 人口大小计算为2的下一个幂 popsize * len(x) 。 tol浮动，可选收敛的相对容差，在以下情况下停止求解 np.std(pop) >> from scipy.optimize import rosen, differential_evolution >>> bounds = [(0,2), (0, 2), (0, 2), (0, 2), (0, 2)] >>> result = differential_evolution(rosen, bounds) >>> result.x, result.fun (array([1., 1., 1., 1., 1.]), 1.9216496320061384e-19) 现在重复，但要并行化。 >>> bounds = [(0,2), (0, 2), (0, 2), (0, 2), (0, 2)] >>> result = differential_evolution(rosen, bounds, updating='deferred', ... workers=2) >>> result.x, result.fun (array([1., 1., 1., 1., 1.]), 1.9216496320061384e-19)让我们试着做一个有约束的最小化 >>> from scipy.optimize import NonlinearConstraint, Bounds >>> def constr_f(x): ... return np.array(x[0] + x[1]) >>> >>> # the sum of x[0] and x[1] must be less than 1.9 >>> nlc = NonlinearConstraint(constr_f, -np.inf, 1.9) >>> # specify limits using a `Bounds` object. >>> bounds = Bounds([0., 0.], [2., 2.]) >>> result = differential_evolution(rosen, bounds, constraints=(nlc), ... seed=1) >>> result.x, result.fun (array([0.96633867, 0.93363577]), 0.0011361355854792312)接下来，找出Ackley函数(https://en.wikipedia.org/wiki/Test_functions_for_optimization).的最小值 >>> from scipy.optimize import differential_evolution >>> import numpy as np >>> def ackley(x): ... arg1 = -0.2 * np.sqrt(0.5 * (x[0] ** 2 + x[1] ** 2)) ... arg2 = 0.5 * (np.cos(2. * np.pi * x[0]) + np.cos(2. * np.pi * x[1])) ... return -20. * np.exp(arg1) - np.exp(arg2) + 20. + np.e >>> bounds = [(-5, 5), (-5, 5)] >>> result = differential_evolution(ackley, bounds) >>> result.x, result.fun (array([ 0., 0.]), 4.4408920985006262e-16) |
今日新闻 |
推荐新闻 |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |