Optimizador de SciPy

El módulo de SciPyoptimizeproporciona implementaciones de algoritmos comunes de optimización numérica y resolución de ecuaciones. Podemos llamar directamente a estas funciones para resolver problemas reales, como encontrar mínimos, máximos de funciones o las raíces de ecuaciones, entre otros.

NumPy en sí mismo se centra principalmente en el cálculo con arrays y operaciones de álgebra lineal; proporciona herramientas paraencontrar raíces de polinomios(comonumpy.roots),interfaz numérica para resolver raíces de ecuaciones no lineales.

Por ejemplo, la siguiente ecuación no lineal:

x + cos(x)

Para este tipo de problemas, se puede utilizar la funciónscipy.optimize.rootfunción para resolverla. Los dos parámetros principales que se usan comúnmente en esta función son los siguientes:

  • fun- La función que representa la ecuación (cuando el valor de retorno es 0, significa que se ha encontrado la raíz de la ecuación)
  • x0- El valor inicial estimado de la raíz

rootLa función devuelve un objeto de resultado (OptimizeResult),

que contiene información como el estado de la resolución, si fue exitosa, el valor de la función y la solución final. La solución realmente obtenida se almacena en el atributoxdel objeto devuelto, como se muestra a continuación:

Ejemplo

Hallarx + cos(x) = 0la raíz de la ecuación:

from scipy.optimize import root
from math import cos

def eqn(x):
    return x + cos(x)

myroot = root(eqn, 0)

print(myroot.x)
# Ver más información
# print(myroot)

Al ejecutar el código anterior, el resultado es el siguiente:

[-0.73908513]

Si se imprime directamente el objeto devuelto, se puede ver información más completa sobre la resolución:

Ejemplo

from scipy.optimize import root
from math import cos

def eqn(x):
    return x + cos(x)

myroot = root(eqn, 0)

print(myroot)

Al ejecutar el código anterior, el resultado es el siguiente:

     fjac: array([[-1.]])
      fun: array([0.])
  message: 'The solution converged.'
     nfev: 9
      qtf: array([-2.66786593e-13])
        r: array([-1.67361202])
   status: 1
  success: True
        x: array([-0.73908513])

Donde:

  • successindica si el algoritmo convergió con éxito
  • messagedescribe el resultado del proceso de resolución
  • xes la raíz final de la ecuación

Función de minimización

En problemas matemáticos y de ingeniería, una función suele representarse como una curva, y la curva suele tener puntos altos y bajos.

Los puntos altos de la curva se denominanmáximos。

Los puntos bajos de la curva se denominanmínimos。

El punto más alto de toda la curva se denominamáximo global,los demás puntos altos que no son el más alto se denominan。

máximos localesDe manera similar, el punto más bajo de toda la curva se denominamínimo global,。

los demás puntos bajos que no son el más bajo se denominanscipy.optimize.minimize()mínimos locales

minimize()En SciPy, se puede usar la función

  • funpara encontrar el mínimo de una función.

  • x0Los parámetros de uso común de la función se explican a continuación:

  • method- La función objetivo que se desea minimizar'CG'、'BFGS'、'Newton-CG'、 'L-BFGS-B'、'TNC'、 'COBYLA'、'SLSQP'

  • callback- El valor inicial estimado de la variable independiente

  • options- El nombre del algoritmo de optimización utilizado; los valores opcionales comunes incluyen:

    {
        "disp": boolean,  # 是否打印详细的优化过程信息
        "gtol": number    # 梯度收敛容差(部分算法适用)
    }

Ejemplo

- Diccionario de otros parámetros de control, por ejemplo:x² + x + 2:

from scipy.optimize import minimize

def eqn(x):
    return x**2 + x + 2

mymin = minimize(eqn, 0, method='BFGS')

print(mymin)

Ejemplo

       fun: 1.75
  hess_inv: array([[0.50000001]])
       jac: array([0.])
   message: 'Optimization terminated successfully.'
      nfev: 8
       nit: 2
      njev: 4
    status: 0
   success: True
         x: array([-0.50000001])

Minimizar la función utilizando el método BFGSx ≈ -0.5Al ejecutar el código anterior, el resultado es el siguiente:1.75Del resultado se puede ver que la función en

minimize()alcanza el mínimo, y el valor mínimo correspondiente de la función esconstraints,

lo cual coincide con el resultado del cálculo analítico.method='Nelder-Mead'La función también admite problemas de optimización con restricciones; se pueden agregar

restricciones de igualdad o desigualdad mediante el parámetro, lo que es adecuado para escenarios de aplicación reales más complejos.successCuando la función objetivo no se puede derivar directamente, se pueden elegirfunalgoritmos de optimización que no requieren información de gradiente, entre otros. Este tipo de métodos se aproxima gradualmente a la solución óptima mediante la búsqueda simplex.xEn el uso práctico,successel campo indica si la optimización convergió con éxito,

Búsqueda avanzada de raíces de ecuaciones

el campo es la solución óptima. Se recomienda comprobar siempre elroot()estado para garantizar que el resultado de la resolución sea fiable.fsolve()Búsqueda avanzada de raíces de ecuaciones

Ejemplo

la función, SciPy también proporciona la funciónfsolvepara resolver raíces de ecuaciones; su uso es más sencillo y adecuado para resolver rápidamente ecuaciones simples.x + cos(x) = 0:

from scipy.optimize import fsolve
from math import cos

def eqn(x):
    return x + cos(x)

result = fsolve(eqn, 0)
print(result)

Ejemplo

[-0.73908513]

fsolve()Usarroot()para resolverfsolveAl ejecutar el código anterior, el resultado es el siguiente:

Devuelve directamente un array de soluciones, mientras que

devuelve un objeto de resultado con más información. Para escenarios simples donde solo se necesita la solución,x² - 4 = 0es más conveniente.

Ejemplo

from scipy.optimize import root

def eqn(x):
    return x**2 - 4

Para ecuaciones con múltiples raíces, partir de diferentes valores iniciales puede dar lugar a raíces diferentes. A continuación se resuelven
for guess in [-3, 0, 3]:
    result = root(eqn, guess)
    if result.success:
        print(flas dos raíces de:)

Ejemplo

初始值 -3 -> 根: -2.000000
初始值  0 -> 根:  2.000000
初始值  3 -> 根:  2.000000

# Resolver a partir de diferentes valores iniciales

"Valor inicial {guess:2d} -> raíz: {result.xargsAl ejecutar el código anterior, el resultado es el siguiente:

Ejemplo

from scipy.optimize import root

def eqn(x, a, b):
    return a * x + b * cos(x)

En problemas reales, las ecuaciones suelen incluir parámetros. Podemos usar el parámetro
result = root(eqn, 0, args=(2, 1))
print(fpara pasar parámetros adicionales a la función objetivo:)

Ejemplo

解: -0.450184

Optimización con restricciones

minimize()"Solución: {result.x

Ejemplo

Optimización con restriccionesx² + y²La función admite agregar restricciones, incluidas restricciones de igualdad y de desigualdad. A continuación se muestra un ejemplo de un problema de optimización con restricciones:x + y = 1:

from scipy.optimize import minimize

def objective(x):
    return x[0]**2 + x[1]**2

def constraint(x):
    return x[0] + x[1] - 1

Ejemplo
con = {'type': 'eq', 'fun': constraint}
result = minimize(objective, [0, 0], constraints=con)

print(fMinimizar)
print(f, con la restricción)

# Definir restricciones

最优解: x=0.500000, y=0.500000
最小值: 0.500000

"Solución óptima: x={result.x'eq'Valor mínimo: {result.fun:.6f}'ineq'Al ejecutar el código anterior, el resultado es el siguiente:

Optimización con restricciones de límites

indica una restricción de igualdad (la función de restricción debe ser igual a 0),boundsindica una restricción de desigualdad (la función de restricción debe ser mayor o igual que 0).

Ejemplo

Enx ∈ [0, 2]Además de las restricciones funcionales, también se puede, mediante el parámetro(x - 1)² + 2:

from scipy.optimize import minimize

def objective(x):
    return (x - 1)**2 + 2

limitar el rango de valores de la variable independiente:
bounds = [(0, 2)]
result = minimize(objective, 0, bounds=bounds)

print(fEjemplo)
print(fMinimizar en el rango)

# Definir límites

最优解: x=1.000000
最小值: 2.000000

Optimización sin gradiente

Valor mínimo: {result.fun:.6f}Nelder-MeadAl ejecutar el código anterior, el resultado es el siguiente:

Ejemplo

Cuando la función objetivo no es diferenciable o su derivada es difícil de calcular, se pueden usar algoritmos de optimización que no requieren información de gradiente, comosin(x) + 0.5*x:

from scipy.optimize import minimize
from math import sin

def objective(x):
    return sin(x) + 0.5 * x

result = minimize(objective, 0, method='Nelder-Mead')
print(fel método:)
print(fEjemplo)
print(fMinimizar utilizando el método Nelder-Mead)

"Solución óptima: x={result.x

最优解: x=-1.047198
最小值: -1.523599
是否成功: True

Preguntas frecuentes y recomendaciones

  • "¿Éxito?: {result.success}"Al ejecutar el código anterior, el resultado es el siguiente:
  • Preguntas frecuentes y recomendacionesElegir un valor inicial adecuadosuccess- La elección del valor inicial influye mucho en el resultado de la resolución; se recomienda realizar una simple visualización o análisis de la función objetivo antes de resolver.
  • Comprobar el estado de convergencia- Siempre comprobar elBFGScampo, para asegurar que el algoritmo converja correctamente. Si la resolución falla, se puede intentar cambiar el valor inicial o el algoritmo de optimización.L-BFGS-BElegir el algoritmo adecuadoNelder-Mead。
  • - Para problemas sin restricciones,es una buena opción predeterminada; para problemas de alta dimensionalidad, se puede probar
  • ; para funciones no diferenciables, usarManejo de problemas con múltiples raícesargs- Para problemas con múltiples raíces, se recomienda resolver partiendo de varios valores iniciales diferentes.

Resumen

- Usar eloptimizeparámetro para pasar parámetros adicionales, evitando el uso de variables globales.

  • Resumen:root()yfsolve()El módulo de SciPy
  • proporciona potentes herramientas de optimización y resolución de ecuaciones::minimize()Resolución de raíces de ecuacionesmethodse utiliza para resolver ecuaciones no lineales
  • Optimización sin restriccionesjunto conconstraintsel parámetro se pueden implementar varios algoritmos
  • Optimización con restricciones: mediante elboundsLos parámetros limitan el rango de valores de las variables.
  • Métodos sin gradiente:Nelder-MeadAdecuados para funciones no derivables

Una vez que domine estas funciones básicas, el lector puede explorar más a fondooptimizemás características del módulo, como el ajuste de curvas (curve_fit), la optimización global (basinhopping、differential_evolution) y otras funciones avanzadas.

Otras extensiones