Actualmente tengo el siguiente código que define la función f .
a = #something b = #something c = #something def f(x): """Evaluates some function that depends on parameters a, b, and c""" someNumber = #some calculation return someNumber Idealmente, haría def f(x, a, b, c) , PERO estoy minimizando f con respecto a x y la caja de herramientas de optimización de SciPy no permite minimizar funciones con parámetros en los argumentos. Dicho esto, me gustaría ejecutar mi código de minimización para múltiples valores de a, b y c . ¿Hay alguna manera de que pueda hacer esto?
Puede especificar argumentos adicionales en args
from scipy.optimize import minimize minimize(f, x0, args=(a, b, c))Esta es una pregunta y respuesta sencillas sobre el uso de minimize . En caso de que otros usuarios necesiten algo más concreto, aquí hay un ejemplo simple.
Una ecuación cuadrática generalizada:
In [282]: def fun(x, a,b,c): ...: return a*x**2 + b*x + c In [283]: optimize.minimize(fun, 10, args=(1,0,0)) Out[283]: fun: 1.7161984122524196e-15 hess_inv: array([[ 0.50000001]]) jac: array([ -6.79528891e-08]) message: 'Optimization terminated successfully.' nfev: 15 nit: 4 njev: 5 status: 0 success: True x: array([ -4.14270251e-08]) In [284]: optimize.minimize(fun, 10, args=(1,1,1)) Out[284]: fun: 0.7500000000000221 hess_inv: array([[ 0.49999999]]) jac: array([ 3.12924385e-07]) message: 'Optimization terminated successfully.' nfev: 12 nit: 2 njev: 4 status: 0 success: True x: array([-0.49999985])La función también podría tomar matrices como entrada, pero aún necesita devolver un solo valor (escalar):
In [289]: optimize.minimize(fun, [10,10,10], args=(np.array([1,2,3]), 1, 1)) Out[289]: fun: 2.541666666667115 hess_inv: array([[ 0.50021475, -0.00126004, 0.00061239], [-0.00126004, 0.25822101, -0.00259327], [ 0.00061239, -0.00259327, 0.16946887]]) jac: array([ -8.94069672e-08, 4.47034836e-07, -2.20537186e-06]) message: 'Optimization terminated successfully.' nfev: 55 nit: 9 njev: 11 status: 0 success: True x: array([-0.50000006, -0.2499999 , -0.16666704]) In [286]: def fun(x, a,b,c): ...: return (a*x**2 + b*x + c).sum() Es una buena idea asegurarse de que la función se ejecute con el x0 y los argumentos propuestos, por ejemplo
In [291]: fun(np.array([10,10,10]), np.array([1,2,3]), 1, 1) Out[291]: 633 Si no puede llamar a la función objetivo, o está confundido acerca de cómo funcionan sus argumentos, minimize no es una bala mágica. Esta minimización es tan buena como su comprensión de la función objetivo.