Python函數最小化不帶導

我熟悉一些在scipy.optimize.optimize的功能，在過去使用fmin_cg，以儘量減少在那裏我知道衍生物的功能。但是，我現在有一個不容易區分的公式。Python函數最小化不帶導

幾個在該模塊中（fmin_cg，例如）的功能並不會真正所需要的衍生物被提供。我假設他們然後通過依次爲每個參數添加一個小值來計算quazi-derivative - 這是否正確？

我的主要問題是這樣的：其中的功能（或一個從別處）是最好的，沒有給出衍生物最小化在多個參數的函數時使用？

2012-03-08 thornate

你即將正確數值上近似導數（雅可比行列式）的方法。我在使用'scipy.optimize.leastsq'時看到了這個。 – wim 2012-03-08 05:51:47

只是好奇，你有多少變數？ – denis 2012-03-14 10:48:25

是，在調用任何fmin_bfgs fmin_cg fmin_powell作爲

fmin_xx(func, x0, fprime=None, epsilon=.001 ...)

估計在x由(func(x + epsilon I) - func(x))/epsilon梯度。
這是爲你的應用程序的「最佳」，不過，強就如何順利的功能，以及有多少變數取決於。
平原內爾德 - 米德，fmin，是一個很好的第一選擇 - 緩慢但肯定; 可惜SciPy的內爾德-米德無論x的規模的開始與一個固定大小的單工，0.05/0.00025。

聽說fmin_tnc在scipy.optimize.tnc好：

fmin_tnc(func, x0, approx_grad=True, epsilon=.001 ...) or 
fmin_tnc(func_and_grad, x0 ...) # func, your own estimated gradient

（fmin_tnc是〜fmin_ncg與約束的限制，很好的消息，看看發生了什麼，有些不同ARGS）

來源

2012-03-14 10:47:38 denis

我並不太熟悉SciPy中可用的方法，但Downhill Simplex方法（又名Nelder-Mead或Amoeba方法）經常適用於多維優化。

現在看看，它看起來像是在minimize()函數中使用method='Nelder-Mead'參數作爲選項提供。

不要單純形（丹）算法的線性規劃混淆...

來源

2012-03-08 05:50:52

另外，如[fmin]（http://docs.scipy.org/doc/scipy-0.10.1/reference/generated/scipy.optimize.fmin.html#scipy.optimize.fmin）函數 – 2012-03-11 11:17:51

Python函數最小化不帶導

回答

相關問題