使用亚胺uit解决n维优化问题

Question

我想用亚胺uit解决一个n维优化问题。

因此，我的方法如下。我正试图找出如何扩展这个：

def f(x,y,z):
    return (x-1.)**2 + (y-2*x)**2 + (z-3.*x)**2 -1.

变量"x"是一个numpy.array.

我想做这样的事情：

x = [1,2,3,4,5]
y = [2,4,6,8,10]# y=2x
class StraightLineChi2:
    def __init__(self,x,y):
        self.x = x
        self.y = y
    def __call__(self,m,c): #lets try to find slope and intercept
        chi2 = sum((y - m*x+c)**2 for x,y in zip(self.x,self.y))
        return chi2

但在我的例子中，x是我的未知数，它是一个数组。像在许多优化/最小化问题中一样，函数是f＝f（x1，…，xn），其中n可以很大。x1、，。。。，xn是这个问题的未知数。

（这些例子取自这里）

类似的事情是通过"破解"pyminuit2实现的，就像这里描述的

Answer 1

对于您的示例，我建议您使用imiuit和probfit。将参数作为参数列表并不完全是你想要做的，因为你很快就会混淆哪个参数是什么。

下面是一个直接从probfit教程中获取的示例。另请参阅文件

import iminuit
import probfit
x = np.linspace(0, 10, 20) 
y = 3 * x + 15 + np.random.randn(len(x))
err = np.ones(len(x))
def line(x, m, c): # define it to be parabolic or whatever you like
    return m * x + c
chi2 = probfit.Chi2Regression(line, x, y, err)
minuit = iminuit.Minuit(chi2)
minuit.migrad();
print(minuit.values) #{'c': 16.137947520534624, 'm': 2.8862774144823855}