如何将 scipy.optimize.fmin 与向量而不是标量一起使用答案

【问题标题】：How to use scipy.optimize.fmin with a vector instead of a scalar如何将 scipy.optimize.fmin 与向量而不是标量一起使用
【发布时间】：2020-10-01 02:01:35
【问题描述】：

在使用 Scipy 的 fmin 函数时，我一直遇到错误消息：ValueError: setting an array element with a sequence 我已经看到这个问题已经被问过好几次了，并且我读过一些有趣的帖子，例如：

..并尝试实施建议的解决方案，例如将“*args”添加到成本函数中，将成本函数中的变量附加到列表中并将变量向量化。但到目前为止，没有什么对我有用。

我对 Python 编程很陌生，所以我可能已经阅读了解决方案，但不知道如何应用它。

一个简化版的代码，是我用来找问题的，如下：

import numpy as np
import scipy.optimize
from scipy.optimize import fmin
fcm28=40
M_test=np.array([32.37,62.54,208,410,802])
R_test=np.array([11.95,22.11,33.81,39.18,50.61])
startParams=np.array([fcm28,1,1])

def func(xarray):
   x=xarray[0]
   y=xarray[1]
   z=xarray[2]
   expo3=x*np.exp(-(y/M_test)**z)
   cost=expo3-R_test
   return cost 
### If I write the following lines of code:
# xarray=(100,290,0.3)
# print(func(xarray))
# >> [ 2.557 -1.603 -0.684 1.423 -2.755] #I would obtain this output

func_optimised=fmin(func,x0=[fcm28,1,1],xtol=0.000001)

目标：我试图获得一个指数函数“expo3”（它需要 5 个调整点，由水平轴上的向量“M_test”和垂直轴上的“R_test”定义。我试图最小化的是函数'expo3'和调整点之间的差异。因此，指数图是为了尽可能接近调整点，例如：

我收到以下错误消息：

File "Example2.py", line 20, in <module>
   func_optimised=fmin(func,x0=[fcm28,1,1],xtol=0.000001)
File "/home/.../python3.6/site-packages/scipy/optimize/optimize.py", line 443, in fmin
 res=_minimize_neldermead(func,x0,args,callback=callback,**opts)
File "/home/.../python3.6/site-packages/scipy/optimize/optimize.py" line 586, in _minimize_neldermead
   fsim[k] = func(sim[k])
ValueError: setting an array element with a sequence.

可以使用 fmin 来完成这项任务吗？有没有可行的替代方案？任何有关如何解决此问题的帮助将不胜感激。

【问题讨论】：

M_test 和 R_test 是长度为 5 的数组，因此您的函数 func 的返回值是一个长度为 5 的数组。fmin 要求目标函数返回一个标量。
将对象函数和 fmin 函数放在一个从 0 到 M_test 长度的循环中是否可行？
这取决于。我认为如果您提供有关您要解决的问题的更多背景信息，那么有人会更容易帮助您。你想达到什么目的？独立于它在 Python 代码中的实现，你试图最小化什么，为什么？（如果你能回答这个问题，最好在问题中提供上下文，而不是在 cmets 中。）
注明。我修改了问题，使其包含目标。

标签： python scipy exponential scipy-optimize

【解决方案1】：

如在结交中，您的函数必须返回一个值。假设您想要执行经典最小二乘拟合，您可以修改func以返回：

  def func(...):
      # ... identical lines skipped
      cost = sum((expo3-R_test)**2)
      return cost

与那个变化，func_optimised变成：

  array([1.10633369e+02, 3.85674857e+02, 2.97121854e-01])
  # or approximately (110.6, 385.6, 0.3)

就像一个指针：你可以选择使用scipy.optimize.curve_fit基本上做同样的事情，但是使用更好的API，允许您直接提供函数骨架+要适合的样本点。

【讨论】：