使用多个数据集优化数值模型

Question

所以我有一个问题，此时我有点迷失。因此，任何意见都将不胜感激，因为我现在真的很挣扎！

我有一个模型，想使用我得到的一些实验数据来检查/优化。

一般来说，我的模型需要两个输入（我们称之为：时间和温度）并有 8 个变量 (x0-x7)。该模型生成两个输出（out1 和 out2）。

我的每组实验数据都为我提供了 4 组可用于优化的信息：2 个输入（时间和温度）和 2 个实验结果（结果 1 和结果 2）。

最终我想最小化 result1 和 out1 以及 result2 和 out2 之间的差异。因此，基本上用几组数据最小化两个残差，这些数据受 8 个共同参数 (x0-x7) 的影响。

我对参数 x0-x7 有一些限制，这可以有所帮助，但除此之外没有真正的限制。

到目前为止，我已经尝试使用scipy.minimize我的实验结果数据集进行迭代，如下所示（非常示意性）：

import numpy as np

from scipy.optimize import minimize

    

Experiment=[['Set 1','Set 2',

             'Set 3','Set 4'],

                   [Out 1-1,Out 1-2,

                    Out 1-3,Out 1-4],

                   [Out 2-1,Out 2-2,

                    Out 2-3,Out 2-4],

            ]

global curr_case

curr_case=0 #just for debugging in the first place

    

def objective_fcn(x):

        

    SetFitParameters(x) #x0-x7

        

    #---------probably totally dumb: iteration-----------

    global curr_case    #number of experimental set

        curr_case=curr_case+1

    if curr_case==len(Experiment):

        curr_case=0

    #----------------------------------------------------

        

    getTemp(curr_case) # function that gets time and temperature from experimental data as two arrays - time and temperature

        

    RefVariables(x) #sets some global variabales needed for ModelCal using x0-x7

        

    ModelCal(time,Temperature)  #gives Out1 and Out2

        

    f1 = abs(Out1[Upper_index-1]-Experiment[1][curr_case]) #compares Out1 with result1 (from experimental data)

    f2 = abs(Out2[Upper_index-1]-Experiment[2][curr_case]) #compares Out2 with result2 (from experimental data)

        

    # some weighting factors for the future - maybe?

    A=1

    B=1

       

    return A*f1+B*f2

       

bounds_x1=(1450,1700) #upper and lower bonds of x0

bounds_x2=(0.1,1)

bounds_x3=(1450,1700)

bounds_x4=(0.1,7)

bounds_x5=(1450,1700)

bounds_x6=(0.1,7)

bounds_x7=(1450,1700)

bounds_x8=(0.1,7)

    

Answer 1

共享对象函数的基本思想很好。我并没有真正深入探讨 OP 尝试的细节，因为这可能会产生误导。该过程是定义可用于最小二乘拟合的适当残差函数。Python 有多种可能性可以做到这一点。我将展示scipy.optimize.leastsq与此密切相关的scipy.optimize.least_squares。import numpy as npfrom scipy.optimize import least_squares ## allows bounds and has given loss functions but provides only Jacobianfrom scipy.optimize import leastsq ## provides scaled covariance matrix"""some arbitrary test function taking two inputs and providingtwo correlated outputs with shared parameters - only three for testing."""def test_function( time, temp, x0, x1, x2 ):    s = np.sqrt( time/x0 ) * np.log( ( temp - x1 ) / x2 )    t = np.exp( - time/x0 ) * np.sqrt( (time/x0)**2 + ( ( temp - x1 ) / x2 )**2 )    return s, t### make some data with noiseindata = list()for _ in range( 60 ):    a = 50 * np.random.random()    b = 10 + 25 * np.random.random()    indata.append( [a,b] )outdata = list()for a,b in indata:    s,t = test_function( a, b, 3.78, 5.33, 12.88 )    noise1 = np.random.normal( scale=0.01 )    noise2 = np.random.normal( scale=0.01 )    outdata.append( [s + noise1, t + noise2 ] )indata = np.array( indata)outdata = np.array( outdata)############################################################################ define the residuals function for fitting This is the important part!#########################################################################def residuals( params, xdata, ydata, weightA=1, weightB=1 ):    x0, x1, x2 = params    diff = list()    for ab, st in zip( indata, outdata ):        a, b = ab        s, t = st        sf, tf = test_function( a, b, x0,x1, x2 )        diff.append( weightA * ( s - sf ) )        diff.append( weightB * ( t - tf ) )    return diff### Fitsolx, cov, info, msg, ier = leastsq(     residuals, [ 3.8, 5.0, 12.5],    args=( indata, outdata ), full_output=True)print solxprint covsol = least_squares( residuals, [ 3.8, 5.0, 12.5 ], args=( indata, outdata ))print sol.x根据OP的需要修改它应该很容易。