我是优化新手。我正在尝试使用 scipy.optimize 中的 fmin_slsqp 函数解决线性最小二乘问题。
我的目标函数是 |q0_T*P-q1_T| 平方的 frobenius 范数，其中 q0_T 是 nX1 的转置向量，P 是 nXn 矩阵，q1_T 是 nX1 向量的转置。这基本上是一个马尔可夫过程，其中 q 向量作为处于某种状态的概率，P 是转移概率矩阵。
目标函数将被最小化 w.r.t P 其中约束是:
1) P 中的所有元素必须是非负数
2) P 中的所有行总和必须为 1
我已经定义了这个我不确定是否正确的目标函数:
def func(P, q):
return (np.linalg.norm(np.dot(transpose(q[0,]),P)-transpose(q[1,])))**2
fmin_slsqp 中的第二个参数要求一个 1D ndarray x0，这是自变量的初始猜测。但是在这里，因为我的自变量是 P，所以我需要一个二维数组来进行初始猜测。我不确定我是否正确地构建了问题或者我必须使用另一个函数。谢谢。
请您参考如下方法:
因此存在一个问题，它只接受一维数组作为自变量，一种骇人听闻的解决方案是将其作为一维数组传递，并在函数中 reshape 。
import numpy as np
from scipy.optimize import fmin_slsqp
# some fake data
d = 3 # dimensionality of the problem
P0 = np.arange(d*d).reshape(d, d)
P0 /= P0.sum(1, keepdims=True) # so that each row sums to 1
q = np.random.rand(2, d) # assuming this is the structure of your q
q /= q.sum(1, keepdims=True)
# the function to minimize
def func(P, q):
n = q.shape[-1] # or n = np.sqrt(P.size)
P = P.reshape(n, n)
return np.linalg.norm(np.dot(q[0], P) - q[1])**2 # no changes here, just simplified syntax
def row_sum(P0, q):
""" row sums - 1 are zero """
n = np.sqrt(P0.size)
return P0.reshape(n,n).sum(1) - 1.
def non_neg(P0, q):
""" all elements >= 0 """
return P0
P_opt = fmin_slsqp(func, P0.ravel(), args=(q,), f_eqcons=row_sum, f_ieqcons=non_neg).reshape(d, d)
assert np.allclose(P_opt.sum(1), 1)
assert np.all(P_opt >= 0)
