我正在尝试使用 scipy.optimize.differential_evolution 优化具有 10 个变量的标量函数.
标量值实际上是由模拟软件计算出来的,每次迭代大约需要 7 秒。问题是,即使我将 popsize 设置为 10,算法也需要 >1000 次迭代,这会导致非常长的计算时间。
这 10 个变量是 5 个角度和 5 个长度:
phi_1 to phi_5 (0 to 360 degress)
l_1 to l_5 (0 to 20 micrometer)
在每次迭代中,值(X_1、X_2、X_3、X_4、X_5、Y_1、Y_2、Y_3、Y_4、Y_5)的计算方式为
X = l*sin(phi) and Y = l*cos(phi)
模拟软件根据这些输入计算标量。
我尝试将 popsize 减少到 3-5,但结果不是全局最优值。我之前也尝试过不同的策略,如“rand1exp”和“best1exp”以及基于梯度的算法 (SLSQP),但问题是由于正弦函数和余弦函数,起点是至关重要的,这会导致许多不同的(局部)结果。我相信 DE 是解决此问题的最佳算法,但我无法想象它需要 >1000 次迭代才能解决“仅”10 个变量的问题。
我这样调用 DE:
sol = differential_evolution(objective, popsize=10, strategy="best1bin", bounds=boundList)
有没有人有一些使用 DE 的经验,可以给我一些正确参数的提示?
请您参考如下方法:
我不熟悉差分进化算法,但这里有一些你可能会考虑的想法:
每次迭代 7 秒很多。我会考虑尽可能减少这个计算时间......
如果您的标准是连续且可微分的,那么使用基于梯度的方法将是您的首选方法。对于 10 个参数,基于梯度的算法至少需要 10 次迭代(如果您的标准是二次的)。在实践中,根据收敛的难度,你应该期待更多(数百)。其他算法可能也需要相同的迭代次数。
您的问题退化的事实与算法无关。因为 phi+2*pi 会给出完全相同的标准值,所以你有无限多个最小值。您需要从解决方案开始。您可以尝试提供智能猜测作为参数的起始值。
Scipy 中提供的一些基于梯度的方法允许为您的参数使用边界。
