NOTICE: Esta entrada es una traducción libre (algunas cosas no serán traducidas por no existir una traducción sencilla en castellano) de un artículo publicado en The Glowing Python con permiso de su autor.
Para la siguiente entrada se ha usado python 2.7.2, numpy 1.6.1, scipy 0.9.0 y matplotlib 1.1.0
En este ejemplo veremos como usar la función fmin para minimizar una función. La función fmin se encuentra en el módulo optimize de la librería scipy. La función fmin usa el algoritmo downhill simplex para encontrar el mínimo de la función objetivo empezando por un punto inicial dado por el usuario. En el ejemplo emezaremos a partir de dos puntos iniciales diferentes para comparar los resultados.
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 |
import numpy import matplotlib.pyplot as plt from scipy.optimize import fmin # Función objetivo rsinc = lambda x: -1 * numpy.sin(x)/x # Empezamos a partir de x = -5 x0 = -5 xmin0 = fmin(rsinc,x0) # Empezamos a partir de x = -4 x1 = -4 xmin1 = fmin(rsinc,x1) # Dibujamos la función x = numpy.linspace(-15,15,100) y = rsinc(x) plt.plot(x,y) # Dibujo de x0 y el mínimo encontrado empezando en x0 plt.plot(x0,rsinc(x0),'bd',xmin0,rsinc(xmin0),'bo') # Dibujo de x1 y el mínimo encontrado empezando en x1 plt.plot(x1,rsinc(x1),'rd',xmin1,rsinc(xmin1),'ro') plt.axis([-15,15,-1.3,0.3]) plt.show() |
La función fmin escribirá algunos detalles sobre el proceso iterativo llevado a cabo (dejamos la salida en inglés, que es lo que encontraréis cuando corráis el ejemplo):
|
1 2 3 4 5 6 7 8 |
Optimization terminated successfully. Current function value: -0.128375 Iterations: 18 Function evaluations: 36 Optimization terminated successfully. Current function value: -1.000000 Iterations: 19 Function evaluations: 38 |
Y la siguiente gráfica aparecerá en la pantalla:
El punto azul es el mínimo encontrado empezando a partir del diamante azul (x=-5) y el punto rojo es el mínimo encontrado a partir del diamante rojo (x=-4). En este caso, cuando empezamos a partir de x=-5 fmin se ‘atasca’ en un mínimo local mientras que si empezamos a partir de x=-4 fmin alcanza el mínimo global.
[Thanks to @JustGlowing to allow us to translate their articles]
Saludos.
Pingback: Cómo resolver ecuaciones algebraicas en Python con SciPy « Pybonacci
SciPy 0.9.0, ¡cómo pasa el tiempo! 🙂
En la versión 0.11.0 se hicieron unas cuantas mejoras en el módulo
optimize, y en particular se unificó la interfaz para las funciones de minimización.Ahora para funciones de una variable es recomendable utilizar la función
minimize_scalar:http://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.minimize_scalar.html#scipy.optimize.minimize_scalar
y para funciones de más de una variable, la función
minimize:http://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.minimize.html#scipy-optimize-minimize
Super agradecido por tus aportaciones.