【问题标题】：Fit a simulation python适合模拟python
【发布时间】：2023-04-01 09:47:01
【问题描述】：

鉴于模型蛮力的参数数量是不可能的，我正在尝试将模拟拟合到经验数据。有哪些可用于模拟的资源？模拟是一个 python 函数（不要与数学函数混淆），它输出一个列表。我希望这个列表尽可能接近其他列表（经验数据）。

我认为 scipy.optimize 效果不佳，因为它不是数学函数，而是模拟（不可能给出它的函数）。蛮力将需要大约 5000 次模拟，这是不切实际的。

def sim(conta = 0.2, recov = 0.01, D = 600, sig = 3, risk_aversion = 0.05, over_conf = 0.05, power_narr = 5, length = 125, n_k = 0.997, shocks = [8]+[0]*5+[8]+[0]*5+[15]+[0]*5+[40]+[0]*5+[40]+[0]*5, no_len = 25, u = [0.35,0.35,0.15,0.15], w = [1,1,0.1,0.1], ø = 0.9 ):


"""those are the parameters of the simulation, some are floats, others lists"""
 
"""
simulation going on here
"""

return my_list

我想通过改变参数使这个列表适合另一个列表

我希望这个拟合的输出是模拟的最佳参数列表。

【问题讨论】：

当您说您使用的是模拟而不是函数时，我假设您使用的是某种随机数生成器，因此相同的输入并不总是返回相同的输出？如果可以，您能否针对固定种子进行优化？

标签： python list optimization simulation

【解决方案1】：

当然，您可以使用 scipy 优化，实际上还有许多其他比其他答案中提到的更强大的库，例如 Mystic (https://github.com/uqfoundation/mystic) 或 lmfit (https://github.com/lmfit/lmfit-py)，仅举几例。

您的目标函数是数学函数、模拟结果、外部程序输出还是炸薯条制作机的结果都无关紧要。您应该问自己的唯一问题是：

评估目标函数是否昂贵？如果需要半秒钟，那么即使是蛮力也可以。我已经针对外部程序（水库模拟器）运行了 scipy 和 Mystic，每个功能评估都可能需要数小时。
您的目标函数有很多局部最优值的可能性有多大？

这两个问题的答案可能会引导您使用一组特定的求解器：即局部优化（速度更快，但您会冒获得局部最小值的风险）或全局优化（需要更多函数评估来探索搜索空间，但可能会让你更适合）。

也就是说，您的目标函数可以很容易地重写，使其成为优化算法的目标：

def sim(x, my_target_array):

    # calculation stuff here
    return ((numpy.array(my_list) - my_target_array)**2).sum()

安德烈亚。

【讨论】：

【解决方案2】：

您可以使用随机方法：

Stochastic gradient descent（example）
MCMC Markov Chain Monte Carlo 与 PyMC3（example）

无论如何，您都需要一个参数模型。当你把它写进你的问题时，它会很有帮助。

【讨论】：