我有一个四参数函数,我没有数学形式,因为它实际上是几个独立过程的结果。在其最简单的形式中,它可以被认为是一个黑盒子,它返回一个值,该值取决于调用时使用的参数 a,b,c,d 的值。这是它的样子:
def my_func(a, b, c, d):
# Make lots of calculations here to come up with 'func_value',
# which depends on the values of the parameters given a,b,c,d.
func_value = x(a, b, c, d)
return func_value
这四个参数的空间不仅在范围上受到限制,而且是离散的。这意味着参数可以有特定的值:
a = [0.004, 0.006, 0.008, 0.010, ...]
b = [0.2, 0.25, 0.3, 0.35, ...]
c = [0.0, 0.01, 0.02, 0.03, ...]
b = [10.1, 10.2, 10.3, 10.4, ...]
而不是介于两者之间的那些(即:它们在步骤中有所不同)。
我需要找到此函数的全局最小值,即:由返回my_func 可能的最小值。
我知道算法的存在,例如 scipy.optimize.anneal或像 DEAP 中定义的那些遗传算法, PyBrain或 Pyevolve应该适用于这类优化问题。
考虑到我的代码施加的限制,我不确定我可以使用哪一个,即:没有数学形式的多个(四个)参数函数、参数的受限和离散空间。
查看所有这些方法可能会花费很多时间,因此非常感谢任何关于我可能应该尝试应用的指示。
请您参考如下方法:
所有“爬山”算法都基于这样的假设:输入的微小变化会(通常)导致输出的微小变化。您对问题的描述绝对不包括对函数图形式的限制(除了您对概率爬山的兴趣,这意味着它确实适用于您的领域)。例如,您不能在加密哈希函数上使用爬山。
但最好的算法在很大程度上取决于问题的其他特征:
模拟退火从较大的“跳跃”开始,然后逐渐变小,其想法是在跳跃过大之前,您最终到达最大的“山丘”(或山谷,因为您制定了最低目标)小,你就会被困在那里。
当不同的参数或它们的组彼此半独立时,遗传算法是好的。这个想法是,可以通过局部爬山法独立优化小参数组,重组函数可以将几个优化子组组合在一起以产生 super 解决方案。如果所有参数都紧密耦合,那是没有用的。
其他算法同样最适合不同的问题概况。 (不幸的是,您的问题描述似乎没有包含相关属性。)
简而言之:虽然数学公式不是必需的,但您确实需要了解函数图形的行为方式,以及任何投影不变量(对 x 有贡献但不依赖于在所有四个参数 a、b、c、d 上)。这最后一个也将有助于加快函数值的计算,正如您所说,这非常昂贵。我建议您至少在搜索空间中绘制一些低分辨率切片。他们可能会给您一些想法。
附言。如果解决方案的质量比计算时间更重要,您始终可以实现几种方法,并行运行它们,并保留最佳解决方案。
