使用遗传算法进行参数优化？

Question

我正在尝试优化已知函数的参数以拟合实验数据图。该功能相当涉及

其中 x 扫过一组已知的数字，p、g 和 c 是要优化的独立参数。有什么想法或资源可以提供帮助？

Answer 1

我不推荐遗传算法。而是直接进行优化。

Scipy 有一些资源。

您还没有提供任何数据，所以我只会寻找应该运行的东西。下面是一些可以帮助您入门的内容。不看数据我不知道它是否有效。此外，可能必须有一种方法可以动态地提供 objectivefunc 您的 x 和 y 数据。这可能在 scipy.optimize.minimize 的文档中。

我做了什么。创建一个函数来最小化。在这里，我称之为objectivefunc。为此，我采用了您的函数y = x^2 * p^2 * g / ... 并将其转换为x^2 * p^2 * g / (...) - y = 0 的形式。然后将左侧平方并尝试将其最小化。因为您将有多个 (x/y) 数据样本，所以我会最小化平方和。把它全部放在一个函数中，然后从 scipy 传递给最小化。

import numpy as np
from scipy.optimize import minimize

def objectivefunc(pgq):
    """Your function transformed so that it can be minimised. 
    I've renamed the input pgq, so that pgq[0] is p, pgq[1] is g, etc.
    """
    p = pgq[0]
    g = pgq[1]
    q = pgq[2]
    x = [10, 9.4, 17] # Some input data.
    y = [12, 42, 0.8]
    sum_ = 0
    for i in range(len(x)):
        sum_ += (x[i]**2 * p**2 * g - y[i] * ( (c**2 - x**2)**2 + x**2 * g**2) )**2
    return sum_

pgq = np.array([1.3, 0.7, 0.5]) # Supply sensible initivial values
res = minimize(objectivefunc, pgq, method='nelder-mead',
            options={'xtol': 1e-8, 'disp': True})

Answer 2

您是否厌倦了旧好Levenberg-Marquardt，如在 Levenberg-Marquardt.vi 中实现的那样。如果它不能满足您的需求，您可以尝试Waptia libraryfor LabVIEW 并实现其中一种遗传算法。