Discussion :

[PierreLCV]

Bonjour à tous,
Je cherche actuellement à minimiser une fonction à l'aide d'un algorithme sous Python. La fonction est un peu compliquée et fait appel à un solveur FEA pour être calculé. Quoi qu'il en soit, j'ai pu définir ma fonction de manière classique en fonction du paramètre que je cherche à optimiser :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
def fonction_calcul(Parametre1):
      blabla definition fonction
      return valeur de la fonction

Cette dernière définition de la fonction marchant bien, je peux facilement avoir les valeurs de ma fonction_calcul pour les valeurs de paramètres que je souhaite. Sachant cela, je pensais pouvoir dés lors utiliser "bêtement" scipy.optimize pour trouver la valeur de minimization de ma fonction et hélas, cela ne marche pas !
Voyez ce que j'obtiens en partant de la valeur de départ x=1

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
x_start=1.0
>>>	
result = spo.minimize(fonction_calcul, x_start)
>>>	
result
      fun: 106.69134802297765
 hess_inv: array([[1]])
      jac: array([0.])
  message: 'Optimization terminated successfully.'
     nfev: 2
      nit: 0
     njev: 1
   status: 0
  success: True
        x: array([1.])

Globalement, comme vous le voyez, minimize calcul une seule valeur et s'arrête à cette valeur, considérant qu'il a bien optimisé (sachant que en l'occurence, la valeur de minimisation se trouve autour de 0.03...).

J'ai essayé minimize avec une fonction "classique" (polynome) et cela fonctionne bien pour trouver la valeur de minimisation...

Une idée de comment faire fonction minimize dans mon cas ?

Merci beaucoup !
Pierre

[MPython Alaplancha]

Bonjour,
De ce que je lis (jamais utilisé) pour une fonction scalaire:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

result = spo.minimize_scalar(fonction_calcul)

[PierreLCV]

Bonjour MPython Alaplancha,
Merci pour votre retour ! En effet, j'avais vu cette fonction aussi pour optimiser une fonction à un seul paramètre. Cependant, à terme, je souhaite mener une optimisation sur plusieurs paramètres et je vais pour cela devoir utiliser la fonction minimize... Normalement, cela devrait fonctionner quand même avec minimize car pour une fonction classique, cela fonctionne...

Cordialement,
Pierre

[wiztricks]

Sachant cela, je pensais pouvoir dés lors utiliser "bêtement" scipy.optimize pour trouver la valeur de minimization de ma fonction et hélas, cela ne marche pas !

Les minima dépendent de la fonction... qu'il faudra quand même l'étudier un peu pour savoir intervalles/méthodes à appliquer et quels paramètres à passer ou pas à scipy.optimize.minimize.

- W

[MPython Alaplancha]

Voyez ce que j'obtiens en partant de la valeur de départ x=1

Globalement, comme vous le voyez, minimize calcul une seule valeur et s'arrête à cette valeur, considérant qu'il a bien optimisé (sachant que en l'occurence, la valeur de minimisation se trouve autour de 0.03...).

Si la valeur de minimisation se trouve autour de 0.03 c'est à partir de là qu'il faut chercher ...

[PierreLCV]

Chers Wiztricks & MPython Alaplancha
Alors, la fonction en question a un comportement plutôt simple et ne devrait pas poser de problème à un quelconque algorithme de minimisation. J'avais en effet écrit moi-même quelques lignes de codes de minimisation et le code fonctionnait trés bien. Je pensais donc qu'un code ad-hoc pour cela ferait la chose sans problème.

Je vais creuser les méthodes utilisées par optimize...

Merci de votre aide !
Cordialement,
Pierre

[PierreLCV]

J'ai essayé plusieurs méthodes dans scipy.optimize.minimize mais rien à faire, l'algorithme s'arrête à la première itération "pensant" avoir trouvé la bonne solution... Voyez juste aprés :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
fonction_calcul(1)
106,691348022978
>>>	
fonction_calcul(0.5)
99,4888918302546
>>>	
fonction_calcul(0.3)
90,7397102848129
>>>	
res = minimize(fonction_calcul,0.5,method='BFGS',options={'xtol': 1e-5,'disp': True})
Optimization terminated successfully.
         Current function value: 99.488892
         Iterations: 0
         Function evaluations: 2
         Gradient evaluations: 1

Comme vous le voyez, la fonction semble bien définie et renvoie correctement les valeurs mais l'optimisation ne se fait pas...

Une idée ? Un autre algorithme que minimize peut-être ?

Merci !
Pierre

[wiztricks]

Alors je répète: "Le comportement d’optimise dépend de la fonction..."
note pas besoin de donner la fonction, c'est votre boulot de l'étudier.

Si la question est pourquoi le calcul s'arrête à la première itération, je suis sûr qu'en cherchant un peu sur Internet vous trouverez des pistes.
note: vous avez ce droit de penser ce que vous voulez mais si ça ne suggère aucune action pour avancer...

- W

[PierreLCV]

Cher Wiztricks,
Je ne pense pas avoir donné la fonction... juste quelques valeurs pour montrer sa tendance.
Quoi qu'il en soit, merci de votre aide, je vais creuser en effet pourquoi optimise reste bloqué à la première itération.

Merci de votre aide,
Pierre