了解 scipy.optimize.minimize() 函数的错误

Question

我有一个简单的方程式，我通过它绘制了

def chernoff_bound(beta):
    return 0.5 * np.exp(-beta * (1-beta))

betas = np.arange(0, 1, 0.01)
c_bound = chernoff_bound(betas)

plt.plot(betas, c_bound)
plt.title('Chernoff Bound')
plt.ylabel('P(error)')
plt.xlabel('parameter beta')

plt.show()

现在，我想找到 P(error) 最小的值。 我尝试通过scipy.optimize.minimize() 函数来实现（老实说，我以前没有使用过它，这里可能有一些想法错误......）

from scipy.optimize import minimize

x0 = [0.1,0.2,0.4,0.5,0.9]
fun = lambda x: 0.5 * np.exp(-x * (1-x))
res = minimize(fun, x0, method='Nelder-Mead')

我得到的错误是：

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-25-2b04597c4341> in <module>()
      3 x0 = [0.1,0.2,0.4,0.5,0.9]
      4 fun = lambda x: 0.5 * np.exp(-x * (1-x))
----> 5 res = minimize(fun, x0, method='Nelder-Mead')
      6 print(res)

/Library/Frameworks/Python.framework/Versions/3.3/lib/python3.3/site-packages/scipy/optimize/_minimize.py in minimize(fun, x0, args, method, jac, hess, hessp, bounds, constraints, tol, callback, options)
    364 
    365     if meth == 'nelder-mead':
--> 366         return _minimize_neldermead(fun, x0, args, callback, **options)
    367     elif meth == 'powell':
    368         return _minimize_powell(fun, x0, args, callback, **options)

/Library/Frameworks/Python.framework/Versions/3.3/lib/python3.3/site-packages/scipy/optimize/optimize.py in _minimize_neldermead(func, x0, args, callback, xtol, ftol, maxiter, maxfev, disp, return_all, **unknown_options)
    436     if retall:
    437         allvecs = [sim[0]]
--> 438     fsim[0] = func(x0)
    439     nonzdelt = 0.05
    440     zdelt = 0.00025

ValueError: setting an array element with a sequence.

如果有人能在这里指出正确的方向，我将不胜感激！

Answer 1

optimize.minimize 的第二个参数是一个初始猜测 - 您对您希望 optimize.minimize 找到的最小 x 值的猜测。所以，例如，

import numpy as np
from scipy import optimize
x0 = 0.1
fun = lambda x: 0.5 * np.exp(-x * (1-x))
res = optimize.minimize(fun, x0, method='Nelder-Mead')
print(res)

产量

  status: 0
    nfev: 36
 success: True
     fun: 0.38940039153570244
       x: array([ 0.5])
 message: 'Optimization terminated successfully.'
     nit: 18

x0 不必总是一个标量。它可能是一个数组——它取决于fun。在上面的示例中，x0 = np.array([0.1]) 也可以使用。关键是无论你猜什么，fun(x0) 都应该是一个标量。