标签: scipy-optimize

正如标题所解释的，我的程序总是返回最初的猜测。

就上下文而言，该计划正在尝试找到在多个商店之间分配某些产品的最佳方式。每家商店都有对未来几天预计销售商品的预测（sales_data）。该预测不一定必须是整数或大于 1（很少如此），它是统计意义上的期望。因此，如果商店的 sales_data = [0.33, 0.33, 0.33]，则预计 3 天后，他们将售出 1 单位的产品。

我想最大限度地减少出售我分配的单位所需的总时间（我想以最快的速度出售它们），我的限制是我必须分配可用的单位，并且我不能分配负数的产品到一家商店。我现在可以接受非整数分配。对于我的初始分配，我将我可用的单位平均分配给所有商店。

下面是我遇到问题的代码的较短版本：

import numpy, random
from scipy.optimize import curve_fit, minimize

unitsAvailable = 50
days = 15

class Store:

    def __init__(self, num):
        self.num = num

        self.sales_data = []


stores = []
for i in range(10):
    # Identifier
    stores.append(Store(random.randint(1000, 9999)))
    # Expected units to be sold that day (It's unlikey they will sell 1 every day)
    stores[i].sales_data = [random.randint(0, 100) / 100 for i in range(days)]
    print(stores[i].sales_data)


def days_to_turn(alloc, store): …

这是一个简短的问题，但谷歌每次都会指向我找不到答案的文档。

我正在使用 scipy.optimize.minimize。它运作得很好，一切都很好。我可以定义一个要使用的方法，但即使我不指定该方法它也可以工作。

有没有办法获得输出，使用哪种方法？我知道结果类，但那里没有提到方法。

这是一个例子：

solution = opt.minimize(functitionTOminimize,initialGuess, \
                      constraints=cons,options={'disp':True,'verbose':2})
print(solution)

我可以将 value 方法设置为类似slsqp或 的值cobyla，但我想看看程序正在选择什么。我怎样才能得到这些信息？

我正在尝试使用scipy.optimize.curve_fit. 我已经阅读了文档和这篇 StackOverflow 帖子，但似乎都没有回答我的问题。

我有一些简单的 2D 数据，它们看起来近似于一个三角函数。我想使用scipy.

我的方法如下：

from __future__ import division
import numpy as np
from scipy.optimize import curve_fit



#Load the data
data = np.loadtxt('example_data.txt')
t = data[:,0]
y = data[:,1]


#define the function to fit
def func_cos(t,A,omega,dphi,C):
    # A is the amplitude, omega the frequency, dphi and C the horizontal/vertical shifts
    return A*np.cos(omega*t + dphi) + C

#do a scipy fit
popt, pcov = curve_fit(func_cos, t,y)

#Plot fit …

我有一个循环，使用 scipy.optimize.minimize 执行数百次优化。不幸的是，我不断收到这个恼人的警告：

C:\Users\Leonidas\Anaconda3\lib\site-packages\scipy\optimize\_hessian_update_strategy.py:186: UserWarning: delta_grad == 0.0. Check if the approximated function is linear. If the function is linear better results can be obtained by defining the Hessian as zero instead of using quasi-Newton approximations.
  'approximations.', UserWarning)

因为我正在运行数百次优化，所以这个警告在循环期间出现了几十次，它只会使控制台变得混乱并掩盖程序输出的其余部分。有没有办法

1. 检查此警告是否已显示，如果是，则不再显示，或者
2. 完全压制警告？

我正在尝试使用 scipy 的quadratic_assignment函数，但我无法理解输出如何描述最佳解决方案。这是一个最小的例子，我将一个小矩阵与其自身进行比较：

import numpy as np
from scipy.optimize import quadratic_assignment

# Parameters
n = 5
p = np.log(n)/n   # Approx. 32%

# Definitions
A = np.random.rand(n,n)<p

# Quadratic assignment
res = quadratic_assignment(A, A)

print(res.col_ind)

结果似乎是随机分配的：

[3 0 1 4 2]
[3 2 4 1 0]
[3 2 1 0 4]
[4 3 1 0 2]
[2 3 0 1 4]
...

但是，根据文档，col_ind应该是与 B 的节点找到的最佳排列相对应的列索引。由于输入矩阵相等（B==A），因此我希望身份分配[0 1 2 3 4]能够弹出。更改n为更大的值并没有帮助。

我有什么地方做错了吗？

在引入 Tensorflow 2.0 之后，scipy 接口 (tf.contrib.opt.ScipyOptimizerInterface) 已被删除。但是，我仍然想使用 scipy 优化器scipy.optimize.minimize(method='L-BFGS-B')来训练神经网络（keras 模型序列）。为了使优化器工作，它需要一个函数fun(x0)作为输入，其中x0是一个形状为 (n,) 的数组。因此，第一步是“展平”权重矩阵以获得具有所需形状的向量。为此，我修改了https://pychao.com/2019/11/02/optimize-tensorflow-keras-models-with-l-bfgs-from-tensorflow-probability/提供的代码。这提供了一个函数工厂来创建这样一个函数乐趣(x0)。然而，代码似乎不起作用，损失函数并没有减少。如果有人能帮我解决这个问题，我将不胜感激。

这是我正在使用的一段代码：

func = function_factory(model, loss_function, x_u_train, u_train)

# convert initial model parameters to a 1D tf.Tensor
init_params = tf.dynamic_stitch(func.idx, model.trainable_variables)
init_params = tf.cast(init_params, dtype=tf.float32)

# train the model with L-BFGS solver
results = scipy.optimize.minimize(fun=func, x0=init_params, method='L-BFGS-B')


def loss_function(x_u_train, u_train, network):
    u_pred = tf.cast(network(x_u_train), dtype=tf.float32)
    loss_value = tf.reduce_mean(tf.square(u_train - u_pred))
    return tf.cast(loss_value, dtype=tf.float32)


def function_factory(model, loss_f, x_u_train, …

我正在尝试使用 Jupyter Notebook 绘制逻辑函数。我可以很好地绘制它，但是使用 scipy.optimize.curve_fit 的逻辑函数不起作用。它返回直线坐标。

如何绘制逻辑回归线？

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
%matplotlib inline

df = pd.read_csv('https://gist.githubusercontent.com/shinokada/76070a0927fa1fac01eeaed298757a26/raw/2707a1bd7cba80613a01a2026abeb9f587dbaee5/logisticdata.csv')

x=df.T.iloc[0]
y=df.T.iloc[1]

def logifunc(x,l,c,k):
    return l / (1 + c*np.exp(-k*x))

popt, pcov = curve_fit(logifunc, x, y, p0=[-150,1,1])
print(*popt)

x_data = np.linspace(170,205,num=100)
print(logifunc(x_data, *popt))

plt.scatter(x,y,label='Logistic function')
plt.plot(x_data, logifunc(x_data, *popt), 'r-',label='Fitted function')

plt.title("Logistic")
plt.xlabel('x')
plt.ylabel('y')
plt.xlim(170,210)
plt.ylim(-210,-160)
plt.legend()
plt.show()

我是优化问题的新手，正在研究一个简单的最大化问题，我可以在 Excel 中非常简单地解决这个问题。但是，我需要在 Python 中扩展它并需要一些帮助。

我有一份不同食物的菜单，我需要最大限度地提高我的能量输出。例子：

鉴于以下限制，我需要最大化能量（e）：

1. 每个 Macros(m) 只能消耗 1 个食物项目 (i)。所以我需要一个指示变量 (0/1) 来从 m - 蛋白质、脂肪和碳水化合物中的每一个中只选择 1 个。
2. 卡路里总数 (c) 不应超过一个恒定值假设每个项目有 1 份（对此没有限制）

问题表述：

变量： X (m,i) ? 二元变量 = {1 ，如果宏 m 和项目 i 被选择，0 否则}

最大化 …