1

我有一个混合整数问题。我需要最小化一个函数，这是一个加权最小二乘回归，权重取决于回归（迭代地重新加权最小二乘）。7 个参数定义了我的分段回归。我需要在第一个猜测附近找到一个局部最小值。

我试图用 gekko 写这个问题，但不知何故我发现它很难实现。经过多次尝试，我停在“负自由度”。

无论如何，我决定蛮力解决这个问题。它有效，但速度很慢。我在 7D 中围绕我的工作点构建一个立方体（itertools），并计算 3^7 点中的每个点的加权平方误差。我对每个维度都有边界，有时我的工作点位于我的 7D 域的一个面上。从技术上讲，我有 2^p * 3^(7-p) 点。我现在有一个所有值的列表，找到最小值，将我的工作点移到那里并重新开始构建一个立方体，不包括我在前面的循环步骤中已经计算的所有点。

现在我想通过计算我的工作点的梯度来加速它并更快地移动（在我的循环中跳过一两步）。np.gradient 需要一个 7d 数组才能正确执行。

给定一个点，以及围绕该点的 7 个范围，如何以有效的方式制作 7D 数组？如何用我的函数值制作这个数组的图像？

请不要说 7 for 循环。

4

1 回答 1

1

无论您的函数是否是矢量化的，您都可以使用以下方法np.indices：

base_grid = np.indices(7 * (3,), sparse=False) - 1

-1, 0, 1这会产生您需要的所有组合的数组。np.meshgrid做了类似的事情，但是数组将被分成一个元组，这很不方便。

在每次迭代中，您使用您的步长（比例）和偏移量修改网格：

current_grid = base_grid * scale + offset

如果你的函数是向量化的，你直接调用它，网格就是7个3x3x3x3x3x3x3数组。如果它接受七个输入，只需使用星形扩展。

如果你的函数没有向量化，你仍然可以在一个循环中遍历相应的元素，而不是七个循环，使用np.nditer：

with np.nditer([current_grid, None],
        op_axes=[list(range(1, current_grid.ndim)), None]) as it:
    for x, y in it:
        y[:] = f(*x)
    j = it.operands[1]
于 2021-01-22T16:18:18.740 回答