使用 scipy 最大化函数

Question

我想优化我的函数Strategy2(alpha, beta)，它对一些数据执行下注策略，从钱包值20,000开始，并返回一个新的钱包值。

所以我需要找到最大化返回值的最佳alpha 和beta 值。

一个快速的谷歌表明 scipy 是要走的路，但我正在努力实现它。

在尝试这种优化方法之前，我采用了固定 alpha 的方法，然后找到最佳 beta，然后对固定 beta 进行相同的操作并找到最佳 alpha。

这种方法给出了 Strategy2(23,3) 的最佳值，它返回 24,650。

这是我尝试实现模块 scipy 中的最小化方法：

import numpy as np
from scipy.optimize import minimize

bnds = ((None, None), (None, None))
param = [0, 0]
f = lambda param: Strategy2(param[0], param[1])
param_init = 0, 100
param = minimize(f, param_init, method='SLSQP', bounds=bnds).x
print(param)

如你所见，我真的不知道自己在做什么，实际上这只是返回

[  0. 100.]

最终钱包价值为 10,705。这显然小于 24,650。所以显然有些事情是行不通的。

我怎样才能得到它以便最大化Strategy2(alpha, beta)？理想情况下，我希望将 alpha 从 0 更改为 100，并将 beta 从 1 更改为 15。

提前致谢。

编辑：我对上述代码的推理是我只是试图调整以下工作代码：

import numpy as np
from scipy.optimize import lsq_linear, minimize
bnds = ((None, None), (None, None))
fun = lambda param: np.linalg.norm(-np.exp(param[0]) + param[1])
param_init = -4, 4
param = minimize(fun, param_init, method='SLSQP', bounds=bnds).x

正确地最小化上述函数。

如果有更好的方法来最大化我的功能，请告诉我。

Answer 1

如果你的 Strategy2(alpha, beta) 返回钱包值，那么你的目标函数 f 应该被反转。最小化f 应该等同于最大化Strategy2(alpha, beta)，但在您的代码中并非如此。我建议使用：

bnds = ((None, None), (None, None))
param = [0, 0]
f = lambda param: 1 / Strategy2(param[0], param[1])
param_init = 0, 100
param = minimize(f, param_init, method='SLSQP', bounds=bnds).x
print(param)

在这种情况下，如果f 被最小化，那么Strategy2() 被最大化。 我还建议使用一些界限来限制您的搜索空间（有利于速度和效率）。