Метод оптимизации Нелдера — Мида. Пример реализации на Python

2017-07-02 в 17:58, admin, рубрики: python, Алгоритмы, математика, машинное обучение, Программирование

Метод оптимизации Нелдера — Мида. Пример реализации на Python - 1

Метод Нелдера — Мида — метод оптимизации (поиска минимума) функции от нескольких переменных. Простой и в тоже время эффективный метод, позволяющий оптимизировать функции без использования градиентов. Метод надежен и, как правило, показывает замечательные результаты, хотя и отсутствует теория сходимости. Используется по умолчанию в функции optimize из модуля scipy.optimize популярной библиотеки для языка python, которая используется для математических расчетов.

Алгоритм заключается в формировании симплекса (simplex) и последующего деформирования в направлении минимума, посредством трех операций:
1) Отражение (reflection);
2) Растяжения (expansion);
3) Сжатие (contract);

Симплекс представляет из себя геометрическую фигуру, являющуюся n — мерным обобщением треугольника. Для одномерного пространства — это прямая, для двумерного — треугольник. Таким образом n — мерный симплекс имеет n + 1 вершину.

Алгоритм

1) Пусть $f(x, y)$ функция, которую необходимо оптимизировать. На первом шаге выбираем три случайные точки (об этом чуть позже) и формируем симплекс (треугольник). Вычисляем значение функции в каждой точке: $f(V_1)$ , $f(V_2)$ , $f(V_3)$ .

Сортируем точки по значениям функции $f(x, y)$ в этих точках, т.е. получаем двойное неравенство: $f(V_2)$ ≤ $f(V_1)$ ≤ $f(V_3)$ .

Мы ищем минимум функции, а следовательно, на данном шаге лучшей будет та точка, в которой значение функции минимально. Для удобства переобозначим точки следующим образом:
b = $V_2$ , g = $V_1$ , w = $V_3$ , где best, good, worst — соответственно.

Метод оптимизации Нелдера — Мида. Пример реализации на Python - 13

2) На следующем шаге находим середину отрезка, точками которого являются g и b. Т.к. координаты середины отрезка равны полусумме координат его концов, получаем:

$mid=left ( frac {x_1 + x_2} 2; frac {y_1 + y_2} 2 right)$

В более общем виде можно записать так:

$mid=frac 1 nsum_{i=1}^n x_i$

3) Применяем операцию отражения:
Находим точку $x_r$ , следующим образом:

$x_r=mid + α(mid - w)$

Т.е. фактически отражаем точку w относительно mid. В качестве коэффициента берут как правило 1. Проверяем нашу точку: если f( $x_r$ ) < f(g), то это хорошая точка. А теперь попробуем расстояние увеличить в 2 раза, вдруг нам повезет и мы найдем точку еще лучше.

Метод оптимизации Нелдера — Мида. Пример реализации на Python - 19

4) Применяем операцию растяжения:
Находим точку $x_e$ следующим образом:

$x_e=mid + γ(x_r - mid)$

В качестве γ принимаем γ = 2, т.е. расстояние увеличиваем в 2 раза.

Проверяем точку $x_e$ :
Если f( $x_e$ ) < f(b), то нам повезло и мы нашли точку лучше, чем есть на данный момент, если бы этого не произошло, мы бы остановились на точке $x_r$ .

Далее заменяем точку w на $x_e$ , в итоге получаем:

Метод оптимизации Нелдера — Мида. Пример реализации на Python - 26

5) Если же нам совсем не повезло и мы не нашли хороших точек, пробуем операцию сжатия.
Как следует из названия операции мы будем уменьшать наш отрезок и искать хорошие точки внутри треугольника.

Пробуем найти хорошую точку $x_c$ :

$x_c=mid + β(w - mid)$

Коэффициент β принимаем равным 0.5, т.е. точка $x_c$ на середине отрезка wmid.

Метод оптимизации Нелдера — Мида. Пример реализации на Python - 30

Существует еще одна операция — shrink (сокращение). В данном случае, мы переопределяем весь симплекс. Оставляем только «лучшую» точку, остальные определяем следующим образом:

$x_j=b + δ(x_j - b)$

Коэффициент δ берут равным 0.5.
По существу передвигаем точки по направлению к текущей «лучшей» точке. Преобразование выглядит следующим образом:

Метод оптимизации Нелдера — Мида. Пример реализации на Python - 32

Необходимо отметить, что данная операция дорого обходится, поскольку необходимо заменять точки в симплексе. К счастью было установлено, при проведении большого количества экспериментов, что shrink — трансформация редко случается на практике.

Алгоритм заканчивается, когда:
1) Было выполнено необходимое количество итераций.
2) Площадь симплекса достигла определенной величины.
3) Текущее лучшее решение достигло необходимой точности.

Как и в большинстве эвристических методов, не существует идеального способа выбора инициализирующих точек. Как уже было сказано, можно брать случайные точки, находящиеся недалеко друг от друга для формирования симплекса; но есть решение и получше, которое используется в реализации алгоритма в MATHLAB:

Выбор первой точки $V_1$ поручаем пользователю, если он имеет некоторое представление о возможном хорошем решении, в противном случае выбирается случайным образом. Остальные точки выбираются исходя из $V_1$ , на небольшом расстоянии вдоль направления каждого измерения:

$V_{i + 1}=V_i + h(V_1, i)*U_i$

,
где $U_i$ — единичный вектор.
$h(V_1, i)$ определяется таким образом:
= 0.05, если коэффициент при $U_i$ в определении $V_1$ не нулевой.
= 0.00025, если коэффициент при $U_i$ в определении нулевой.

Пример:

Найти экстремум следующей функции: $f(x, y)=x^2 + xy + y^2 - 6x - 9y$

В качестве начальных возьмем точки:

$V_1(0, 0), V_2(1, 0), V_3(0, 1)$

Вычислим значение функции в каждой точке:
$f(V_1)=f(0, 0)=0$
$f(V_2)=f(1, 0)=-5$
$f(V_3)=f(0, 1)=-8$
Переобозначим точки следующим образом:

$b=V_3(0, 1), g=V_2(1, 0), w=V_1(0, 0)$

Метод оптимизации Нелдера — Мида. Пример реализации на Python - 49

Находим середину отрезка bg:

$mid=frac{b+g}2=left(frac 1 2; frac 1 2 right)$

Находим точку $x_r$ (операция отражения):

$x_r=mid + α(mid - w),$

если α=1, тогда:

$x_r=2*mid - w=2 left(frac 1 2; frac 1 2 right) - left(0, 0 right)=(1, 1)$

Метод оптимизации Нелдера — Мида. Пример реализации на Python - 54

Проверяем точку $x_r$ :
$f(x_r)=-12$ , т.к. $f(x_r) < f(b)$ пробуем увеличить отрезок (операция растяжения).

$x_e=mid + γ(x_r - mid), $

если γ = 2, тогда:

$x_e=2x_r - mid$

$x_e=2(1, 1) - left(frac 1 2, frac 1 2 right)=(1.5, 1.5)$

Метод оптимизации Нелдера — Мида. Пример реализации на Python - 61

Проверяем значение функции в точке $x_e$ :
$f(x_e)=f(1.5, 1.5)=-15.75$
Оказалось, что точка $x_e $ «лучше» точки b. Следовательно мы получаем новые вершины:

$V_1(1.5, 1.5), V_2(1, 0), V_3(0, 1)$

И алгоритм начинается сначала.

Таблица значений для 10 итераций:

Best	Good	Worst

Метод оптимизации Нелдера — Мида. Пример реализации на Python - 96

Аналитически находим экстремум функции, он достигается в точке $f(1, 4)=-21$ .
После 10 итераций мы получаем достаточно точное приближение: $f(0.990, 4.002)=-20.999916$

Еще о методе:

Алгоритм Нелдера — Мида в основном используется для выбора параметра в машинном обучении. В сущности, симплекс метод используется для оптимизации параметров модели. Это связано с тем, что данный метод оптимизирует целевую функцию довольно быстро и эффективно (особенно там, где не используется shrink — модификация).

С другой стороны, в силу отсутствия теории сходимости, на практике метод может приводить к неверному ответу даже на гладких (непрерывно дифференцируемых) функциях. Также возможна ситуация, когда рабочий симплекс находится далеко от оптимальной точки, а алгоритм производит большое число итераций, при этом мало изменяя значения функции. Эвристический метод решения этой проблемы заключается в запуске алгоритма несколько раз и ограничении числа итераций.

Реализация на языке программирования python:

Создаем вспомогательный класс Vector и перегружаем операторы для возможности производить с векторами базовые операции. Я намерено не использовал вспомогательные библиотеки для реализации алгоритма, т.к. в таком случае зачастую снижается восприятие.

class Vector(object):
    def __init__(self, x, y):
        """ Create a vector, example: v = Vector(1,2) """
        self.x = x
        self.y = y

    def __repr__(self):
        return "({0}, {1})".format(self.x, self.y)

    def __add__(self, other):
        x = self.x + other.x
        y = self.y + other.y
        return Vector(x, y)

    def __sub__(self, other):
        x = self.x - other.x
        y = self.y - other.y
        return Vector(x, y)

    def __mul__(self, other):
        x = self.x * other
        y = self.y * other
        return Vector(x, y)

    def __truediv__(self, other):
        x = self.x / other
        y = self.y / other
        return Vector(x, y)

    def c(self):
        return (self.x, self.y)
        


def f(point):
    x, y = point
    return x**2 + x*y + y**2 - 6*x - 9*y

def nelder_mead(alpha=1, beta=0.5, gamma=2):
    v1 = Vector(0, 0)
    v2 = Vector(1.0, 0)
    v3 = Vector(0, 1)

    for i in range(10):
        adict = {v1:f(v1.c()), v2:f(v2.c()), v3:f(v3.c())}
        points = sorted(adict.items(), key=lambda x: x[1])
        b = points[0][0]
        g = points[1][0]
        w = points[2][0]
        
        mid = (g + b)/2
        xr = mid * 2 - w
        if f(xr.c()) < f(g.c()):
            w = xr
        else:
            if f(xr.c()) < f(w.c()):
                w = xr
            c = (w + mid)/2
            if f(c.c()) < f(w.c()):
                w = c
        if f(xr.c()) < f(b.c()):
            xe = xr * 2 - mid
            if f(xe.c()) < f(xr.c()):
                w = xe
            else:
                w = xr
        if f(xr.c()) > f(g.c()):
            xc = mid * (1 - beta) + w * beta
            if f(xc.c()) < f(w.c()):
                w = xc
        v1 = w
        v2 = g
        v3 = b
    print(b)
        
nelder_mead()

P.S. Может у кого-нибудь есть реализация алгоритма на других языках программирования? С радостью расширю статью, естественно указав автора реализации.

Спасибо за чтение статьи. Надеюсь она была Вам полезна и Вы узнали много нового.
С вами был FUNNYDMAN. Удачной оптимизации!)

Автор: FUNNYDMAN

Источник

Информация

Обсуждаемое

Рекомендуем