minimization相关内容
我有一些短时间序列(可能是30-100个时间点),它们有一个大致的形状:它们从高开始,快速下降,可能在零附近稳定,也可能不稳定在零附近,然后回升。如果它们不平坦,它们看起来就像简单的二次曲线,如果它们平坦,你可能会得到一长串的零。 我正在尝试使用lmfit模块来拟合一条连续的分段线性曲线。我想推断直线在哪里改变了渐变,也就是说,我想知道曲线在哪里“定性”地改变了渐变。一般说来,我想知道梯度何时停
..
我试图找到一个函数的局部最小值,并且参数有一个固定的总和.例如, Fx = 10 - 5x1 + 2x2 - x3 条件如下, x1 + x2 + x3 = 15 (x1,x2,x3) >= 0 其中 x1、x2 和 x3 的总和具有已知值,并且它们都大于零.在 R 中,它看起来像这样, Fx = function(x) {10 - (5*x[1] + 2*x[2]
..
我正在尝试 最小化一个输出chi-的函数通过 scipy 平方,找到最适合高斯叠加的 mu、sigma、normc. from math import exp从数学导入 pi从 scipy.integrate 导入四边形从 scipy.optimize 导入最小化从 scipy.stats 导入卡方将 numpy 导入为 np# 猜测最小化卡方的初始值mu, sigma = np.mean(my
..
我尝试使用 fmin_bfgs 找到绝对函数 abs(x) 的局部最小值.初始点设置为100.0;预期的答案是 0.0.但是,我得到: 在 [184]: op.fmin_bfgs(lambda x:np.abs(x),100.0)警告:由于精度损失,不一定会达到所需的误差.当前函数值:100.000000迭代次数:0功能评估:64梯度评估:20出[184]:数组([100.0]) 为什么?
..
我想找到最小化函数的参数,但出现错误.到目前为止使用 scipy.optimize.fmin 但我想为每个参数添加边界.这是我的代码 def Kou_calibration_full():我=0全局选择p0 = spo.brute(Kou_error_function, ((0.10,0.31, 0.1),(0.01,2.6, 0.5), (0.1,0.92,0.2), (1.1,20,7),(
..
我为行星绕太阳运行时的 (x,y,z) 坐标生成了一堆数据.现在我想通过这些数据拟合一个椭圆. 我尝试做的: 我根据五个参数创建了一个虚拟椭圆:半长轴和定义大小的偏心率形状和围绕椭圆旋转的三个欧拉角.由于我的数据并不总是以原点为中心,因此我还需要翻译需要额外三个变量(dx、dy、dz)的椭圆.一旦我用这八个变量初始化这个函数,我就会得到 N 个位于这个椭圆上的点.(N = 我正在绘制椭
..
在舍入浮点数时我有一些舍入问题. x = np.array([[[1.234793487329877,2.37432987432],[1.348732847,8437.328737874]])np.round(x,2)数组([[ 1.23000000e+00, 2.37000000e+00],[ 1.35000000e+00, 8.43733000e+03]]) 有没有办法在没有零扩展名的情况
..
我一直在尝试通过最小化卡方来将线性模型拟合到一组应力/应变数据中.不幸的是,使用下面的代码没有正确地最小化 chisqfunc 函数.它正在寻找初始条件下的最小值,x0,这是不正确的.我浏览了 scipy.optimize 文档并测试了最小化其他正常工作的功能.您能否建议如何修复下面的代码,或者建议我可以使用另一种方法通过最小化卡方来拟合数据的线性模型? 导入numpy导入 scipy.opti
..
我正在尝试解决一个优化问题,我需要创建一个投资组合,该投资组合具有来自基准投资组合的最小跟踪误差,并且受到一些限制: import scipy.optimize as opt将 numpy 导入为 npdef random_portfolio(n):a = np.random.random(n)a/= a.sum()返回一个投资组合权重 = [1 for i in range(20)]投资组合权
..
from numpy import *;从 scipy.optimize 导入 *;从数学导入 *定义 f(X):x=X[0];y=X[1]返回 x**4-3.5*x**3-2*x**2+12*x+y**2-2*ybnds = ((1,5), (0, 2))min_test = 最小化(f,[1,0.1], bounds = bnds);打印(min_test.x) 我的函数 f(X) 在 x
..
我正在尝试通过在CVXPY中对问题进行建模并使用CPLEX求解器来解决单元承诺问题(MIQP问题).我已经成功地使所有使用CPLEX的CVXPY都可以使用.但是,这是针对小型系统的.现在,我想对更大的系统执行相同的操作. 侧面说明:我已经使用CPLEX在MATLAB中成功解决了MIQP问题.对于MATLAB中的大型系统,我使用了问题的MILP公式表示的初始解决方案,并使用"timelimit
..
..
修改: 如果我有一个包含5列的pandas DataFrame Col1 & Col2 & Col3 & Col4 & Col5 ,我需要获得(($code> Col2 , Col3 )& ( Col2 , Col4 )& ( Col2 , Col5 ),请考虑 Col1 中的值 通过下一个公式获得的 Col2 的修改值: df ['Col1'] = np.power((df
..
我一直在为即将到来的编程比赛做练习,但偶然发现了一个令我完全困惑的问题。但是,我觉得这似乎是我现在应该学习的概念,而不是用手指指望它永远不会出现。 基本上,它处理象棋上的骑士棋子板。系统将为您提供两个输入:开始位置和结束位置。然后目标是计算并打印骑士可以到达目标位置的最短路径。 我从来没有处理过最短路径的东西,甚至都不知道从哪里开始。我应采用什么逻辑来解决这个问题? P.S。如果
..
我必须最小化具有无关条件的SOP形式的布尔表达式.我可以通过k-map来做到这一点,但是我只能使用布尔代数定律来做到这一点. 问Sigma(0,2,3,5,6,7,8,9)+ d(10,11,12,13,14,15) 解决方案 可以使用布尔法则将给定的最小项列表和无关项列表转换为一个较短的隐含列表. Karnaugh-Veitch 地图: 从地图上或通过检查给定的16个可能的
..
我正在尝试最小化一个输出 chi-通过scipy平方,找到最适合高斯覆盖的mu,sigma,normc. from math import exp from math import pi from scipy.integrate import quad from scipy.optimize import minimize from scipy.stats import chisquare
..
我正在尝试使用scipy.optimize.minimize最小化Python中的函数,以确定四个不同的参数. 我想在优化算法的每个步骤中打印当前评估的参数,因此可以使用它们来使我的初始猜测更好. 我该怎么做? 解决方案 使用callback关键字参数. scipy.optimize.minimize可以采用关键字参数callback.这应该是一个接受当前参数向量作为输入
..
我一直在尝试优化以下功能,但没有成功: parametros
..
我尝试将z3求解器用于最小化问题.我试图超时,并返回到目前为止最好的解决方案.我使用python API,并将超时选项"smt.timeout"与 一起使用 set_option("smt.timeout", 1000) # 1s timeout 这实际上在大约1秒钟后超时.但是,较大的超时不会提供较小的目标.我最终用 打开了详细信息 set_option("verbose", 2)
..
我正在尝试优化(最小化)如下定义的二维函数E(n,k): error=lambda x,y,w: (math.log(abs(Tformulated(x,y,w))) - math.log(abs(Tw[w])))**2 + (math.atan2(Tformulated(x,y,w).imag,Tformulated(x,y,w).real) - math.atan2(Tw[w].imag
..