Skip to main content
 首页 » 编程设计

多变量的 Python 最小二乘法

2025年02月15日8TianFang

我有一个优化问题需要在 python 中解决。总体结构为

def foo(a, b, c, d, e): 
    # do something and return one value 
 
 
def bar(a, b, c, d, e, f, g, h, i, j): 
    # do something and return one value 
 
 
def func(): 
    return foo(a, b, c, d, e) - bar(a, b, c, d, e, f, g, h, i, j) 

我想使用 least_squares 最小化并返回 f、g、h、i 和 j 的值作为列表,其中平方差是 foo 和 bar。我不确定如何为此使用 least_squares。

我已经试过了:

# Initial values f, g, h, i, j 
x0 =[0.5,0.5,0.5,0.05,0.5] 
 
# Constraints 
lb = [0,0,0,0,-0.9] 
ub = [1, 100, 1, 0.5, 0.9] 
 
x = least_squares(func, x0, lb, ub) 

如何让 x 成为 f, g, h, i and j 最小值列表的返回值?

请您参考如下方法:

您当前定义问题的方式等同于最大化 bar(假设您将 func 传递给最小化函数)。由于您没有将参数 a 更改为 e,因此 func 基本上是常量与 bar< 的结果之间的差异 可以调整;由于负号,它将被尝试最大化,因为这将最小化整个函数。

我认为您真正想要最小化的是两个函数之间的绝对值或平方差。我用一个简单的例子来说明,我假设函数只返回参数的总和:

from scipy.optimize import minimize 
 
def foo(a, b, c, d, e): 
    # do something and return one value 
 
    return a + b + c + d + e 
 
def bar(a, b, c, d, e, f, g, h, i, j): 
    # do something and return one value 
    return a + b + c + d + e + f + g + h + i + j 
 
def func1(x): 
    # your definition, the total difference 
    return foo(x[0], x[1], x[2], x[3], x[4]) - bar(x[0], x[1], x[2], x[3], x[4], x[5], x[6], x[7], x[8], x[9]) 
 
def func2(x): 
    # quadratic difference 
    return (foo(x[0], x[1], x[2], x[3], x[4]) - bar(x[0], x[1], x[2], x[3], x[4], x[5], x[6], x[7], x[8], x[9]))**2 
 
# Initial values for all variables 
x0 = (0, 0, 0, 0, 0, 0.5, 0.5, 0.5, 0.05, 0.5) 
 
# Constraints 
# lb = [0,0,0,0,-0.9] 
# ub = [1, 100, 1, 0.5, 0.9] 
# for illustration, a, b, c, d, e are fixed to 0; that should of course be changed 
bnds = ((0, 0), (0, 0), (0, 0), (0, 0), (0, 0), (0., 1), (0., 100.), (0, 1), (0, 0.5), (-0.9, 0.9)) 
 
res1 = minimize(func1, x0, method='SLSQP', bounds=bnds) 
res2 = minimize(func2, x0, method='SLSQP', bounds=bnds) 

然后你得到:

print res1.x 
array([   0. ,    0. ,    0. ,    0. ,    0. ,    1. ,  100. ,    1. , 
          0.5,    0.9]) 

和

print res1.fun 
-103.4 

如上所述,所有参数都将达到上限以最大化 bar,从而最小化 func。

对于适配函数 func2,您会收到:

res2.fun 
5.7408853312979541e-19  # which is basically 0 
 
res2.x 
array([ 0.        ,  0.        ,  0.        ,  0.        ,  0.        , 
    0.15254237,  0.15254237,  0.15254237,  0.01525424, -0.47288136]) 

因此,正如预期的那样,对于这种简单的情况,可以通过使这两个函数之间的差异变为 0 的方式来选择参数。显然,您的参数的结果不是唯一的,它们也可以全为 0。

我希望这有助于使您的实际功能发挥作用。

编辑:

正如您要求的 least_square 一样,它也可以正常工作(使用上面的函数定义);那么总差就可以了:

from scipy.optimize import least_squares 
 
lb = [0,0,0,0,0,0,0,0,0,-0.9] 
ub = [0.1,0.1,0.1,0.1,0.1,1, 100, 1, 0.5, 0.9] 
res_lsq = least_squares(func1, x0, bounds=(lb, ub)) 

然后你会收到与上面相同的结果:

res_lsq.x 
array([  1.00000000e-10,   1.00000000e-10,   1.00000000e-10, 
         1.00000000e-10,   1.00000000e-10,   1.52542373e-01, 
         1.52542373e-01,   1.52542373e-01,   1.52542373e-02, 
        -4.72881356e-01]) 
 
res_lsq.fun 
array([ -6.88463034e-11])  # basically 0 

由于在这个问题中不会改变 5 个参数,我会将它们固定为某个值并且不会将它们传递给优化调用。