Python函数最小化不带导

我熟悉一些在scipy.optimize.optimize的功能，在过去使用fmin_cg，以尽量减少在那里我知道衍生物的功能。但是，我现在有一个不容易区分的公式。Python函数最小化不带导

几个在该模块中（fmin_cg，例如）的功能并不会真正所需要的衍生物被提供。我假设他们然后通过依次为每个参数添加一个小值来计算quazi-derivative - 这是否正确？

我的主要问题是这样的：其中的功能（或一个从别处）是最好的，没有给出衍生物最小化在多个参数的函数时使用？

2012-03-08 thornate

你即将正确数值上近似导数（雅可比行列式）的方法。我在使用'scipy.optimize.leastsq'时看到了这个。 – wim 2012-03-08 05:51:47

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

是，在调用任何fmin_bfgs fmin_cg fmin_powell作为

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

估计在x由(func(x + epsilon I) - func(x))/epsilon梯度。
这是为你的应用程序的“最佳”，不过，强就如何顺利的功能，以及有多少变数取决于。
平原内尔德 - 米德，fmin，是一个很好的第一选择 - 缓慢但肯定; 可惜SciPy的内尔德-米德无论x的规模的开始与一个固定大小的单工，0.05/0.00025。

听说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与约束的限制，很好的消息，看看发生了什么，有些不同ARGS）

来源

2012-03-14 10:47:38 denis

我并不太熟悉SciPy中可用的方法，但Downhill Simplex方法（又名Nelder-Mead或Amoeba方法）经常适用于多维优化。

现在看看，它看起来像是在minimize()函数中使用method='Nelder-Mead'参数作为选项提供。

不要单纯形（丹）算法的线性规划混淆...

来源

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）函数 – 2012-03-11 11:17:51

Python函数最小化不带导

回答

相关问题