scipy.minimize 如何处理 NaN？答案

【问题标题】：How does scipy.minimize handle NaN's?scipy.minimize 如何处理 NaN？
【发布时间】：2018-09-02 19:37:13
【问题描述】：

我在 scipy.minimize 中使用 SLSQP 求解器来求解约束优化问题。求解器经常会尝试违反约束的参数值。当违反这些约束时，目标函数返回nan。这似乎会带来问题，因为我的近似雅可比几乎每次重新计算时都充满了nan。通常情况下，优化会在exit mode 8: Positive directional derivative for linesearch 中终止。我怀疑近似雅可比行列式中的nan 是这个问题的根源。那么我的问题是 scipy.minimize 如何处理 nan 的？它们是良性的，还是应该将它们转换为一个大（甚至无限）的数字？据我所知，Scipy 文档中的任何地方都没有涵盖此信息。

【问题讨论】：

您应该假设每个 nan 都在杀死一切。所以：没有nans！唯一有效的 nan 是 API 级别的边界。在 SLSQP 方面，边界处理（恕我直言）也存在差异。在迭代期间将严格保持边界（没有关于边界的不可行解决方案是迭代），而约束则不是这样（它也可以描述边界）。
嗯，那么 nans 的处方是什么？他们应该转换为infs吗？还是其他一些较大的有限数？
这在很大程度上取决于特定的最小化器和/或问题。对于估计 Hessian 并使用返回高值的二阶导数的最小化器，可能会导致最小化器混淆。然而，对于不使用导数的方法（如 Nelder-Mead 单纯形算法），有时可以在参数超出范围时返回较大的值。
你最后做了什么？

标签： python optimization scipy nan minimize

【解决方案1】：

根据您使用的搜索算法，scipy 中会检查 nans。您必须检查每个搜索算法的来源。它通常不会影响最小化器（除非您使用非歧视性方法），但它确实会破坏最大化。一般来说，scipy 使用numpy 数组。了解发生了什么的最好方法是使用以下简单示例：

>>> x = [-np.nan, np.nan, 1, 2, 3, np.nan] # some random sequence of numbers and nans 
>>> np.sort(x)
array([ 1.,  2.,  3., nan, nan, nan])

np.nan 总是被视为最大的数字，因此，您必须在搜索算法中明确说明这一点，以便这些解决方案在未来的迭代中被拒绝。至于解释+/- nans，请参阅this，如果后端实现是在fortran 中 - 有时是这种情况。

【讨论】：

【解决方案2】：

有一个非常先进的最小化例程，称为 Minuit，它用于粒子物理社区，类似于您提到的例程。他们都使用拟牛顿法来估计二阶导数，以尝试在最少的迭代次数内“跳”到最小值。

这些方法通常不处理边界值问题，并且有一类完全不同的算法致力于最小化具有约束的函数。

话虽如此，在 Minuit 中可以设置参数边界。在 Minuit 中实现这一点的方式非常聪明。基本上每个参数都“内部”映射到：

p_int = arcsin(2*(p_ext-a)/(b-a)-1)

和

p_ext = a + ((b-a)/2)*(sin(p_int)+1)

其中a 和b 分别是上限和下限。详情请参阅 Minuit 手册here。

假设你的每个参数都有线性界限，我怀疑你可以做类似的事情。

【讨论】：