Проект, над которым я сейчас работаю, требует оптимизации в отношении функции.
Чтобы сделать процесс оптимизации более надежным с точки зрения нахождения глобального минимума, я хотел бы использовать несколько начальных предположений для каждой переменной, которую я могу указать заранее.
В следующем я рандомизировал списки начальных догадок (ipp_term, ipp_ci, i_risky_w) для демонстрации списков начальных догадок.Списки тезисов, которые я хотел бы ввести как семена (строка 13).
upper_term = max(term)
upper_ci = max(ci)
ipp_term = np.random.uniform(0,upper_term,30)
ipp_ci = np.random.uniform(0,upper_ci,30)
i_risky_w = np.random.uniform(0,1,30)
bds = [(0,1), (0,upper_term), (0,upper_ci)]
scipy.optimize.differential_evolution(
optInsInv_opt, bounds = bds, strategy='best1bin', maxiter=None,
popsize=1, tol=0.00001, mutation=(0.5, 1), recombination=0.7,
**seed=[i_risky_w, ipp_term, ipp_ci, i_risky_w],**
callback=None, disp=True, polish=True, init='latinhypercube')
Из документации я понимаю, что есть два способа инициализации заполненных параметров, но, насколько я понимаю, они также генерируются случайным образом !?
Кто-нибудь знает, как изменить пакет scipy.optimize.differential_evolution, чтобы я мог использовать свои собственные списки начальных догадок или подсказать мне другую библиотеку с похожим алгоритмом, который может это сделать?
Спасибо за вашу помощь!