scipy.optimize 的最小化 function 没有给出正确的答案

Question

我正在尝试使用 Scipy 的最小化 function 来解决最小化问题。 目标 function 只是具有不同均值和方差的两个多元正态分布的比率。 我希望找到 function g_func 的最大值，这相当于找到 function g_optimization 的最小值。 另外，我添加了 x[0] = 0 的约束。这里，x 是一个包含 8 个元素的向量。 目标 function g_optimization 如下：

import numpy as np
from scipy.optimize import minimize
# Set up mean and variance for two MVN distributions
n_trait = 8
sigma = np.full((n_trait, n_trait),0.0005)
np.fill_diagonal(sigma,0.005)
omega = np.full((n_trait, n_trait),0.0000236)
np.fill_diagonal(omega,0.0486)
sigma_pos = np.linalg.inv(np.linalg.inv(sigma)+np.linalg.inv(omega))
mu_pos = np.array([-0.01288244,0.08732091,0.01049617,0.0860966,0.10055626,0.07952922,0.04363669,-0.0061975])
mu_pri = 0
sigma_pri = omega

#objective function
def g_func(beta,mu_sim_pos):
    g1 = ((np.linalg.det(sigma_pri))**(1/2))/((np.linalg.det(sigma_pos))**(1/2))
    g2 = (-1/2)*np.linalg.multi_dot([np.transpose(beta-mu_sim_pos),np.linalg.inv(sigma_pos),beta-mu_sim_pos])
    g3 = (1/2)*np.linalg.multi_dot([np.transpose(beta-mu_pri),np.linalg.inv(sigma_pri),beta-mu_pri])
    g = g1*np.exp(g2+g3)
    return g
def g_optimization(beta,mu_sim_pos):
    return -1*g_func(beta,mu_sim_pos)

#optimization
start_point = np.full(8,0)
cons = ({'type': 'eq',
         'fun' : lambda x: np.array([x[0]])})

anws = minimize (g_optimization, [start_point], args=(mu_pos),
                 constraints=cons, options={'maxiter': 50}, tol=0.001)
anws

两次迭代后优化停止，function给出的最小值为0，此时np.array([0,10.32837891,-1.62396508,10.13790152,12.38752653,9.11615544,4.212]-.212) 这不可能是真的，因为即使我们将起点 np.zeros(8) 插入到 g_optimization function 中，给出的结果是 -657.0041125829354，它小于 0。所以提供的解决方案绝对不是最小的。

g_optimization(np.zeros(8),mu_pos) #gives solution of -657.0041125829354

我不确定我在哪里 go 错了。

Answer 1

我会尝试不同的求解器。 例如L-BFGS-B效果很好。 您可以在这里查看所有选项。

anws = minimize (g_optimization, [start_point], args=(mu_pos), method='L-BFGS-B',
                 constraints=cons, options={'maxiter': 50}, tol=0.001)

print(anws)

# success: True
# message: b'CONVERGENCE: REL_REDUCTION_OF_F_<=_FACTR*EPSMCH'
# fun: -21688.00879938617
# x: array([-0.0101048, 0.09937778, 0.01543875, 0.0980401, 0.11383878, 0.09086455, 0.05164822, -0.00280081])

---

编辑： L-BFGS-B不能处理一般约束h(x)=0 ，只有变量上的边界框：

L-BFGS-B、TNC、SLSQP、Powell 和 trust-constr 方法的变量界限。 有两种方法可以指定边界： 边界实例 class。 x 中每个元素的 (min, max) 对序列。 None 用于指定无界限。

在您的情况下，您必须定义 8 对下限和上限。 对于 x[0] 您必须严格限制，因为该方法无法处理x_low == x_high 。

bounds = [(None, None)] * 8
bounds[0] = (0, 0.00001)
anws = minimize (g_optimization, [start_point], args=(mu_pos), method='L-BFGS-B', bounds=bounds,
                 options={'maxiter': 50}, tol=0.001)
# fun: -21467.48153792194
# x: array([0., 0.10039832, 0.01641271, 0.0990599, 0.11486735, 0.09188037, 0.05264228, -0.00183697])

另一种选择是从优化问题中排除值 x[0]：

def g_optimization(beta,mu_sim_pos):
    beta2 = np.empty(8)
    beta2[0] = 0
    beta2[1:] = beta
    return -1*g_func(beta2, mu_sim_pos)

start_point = np.zeros(7)  # exclude x[0]

anws = minimize(g_optimization, [start_point], args=(mu_pos), method='L-BFGS-B',
                 options={'maxiter': 50}, tol=0.001)
# fun: -21467.47686079844
# x: array([0.10041797, 0.01648995, 0.09908046, 0.11487707, 0.09190585, 0.05269467, -0.00174722])
#          ^ missing x[0]