如何将Excel实验数据代入最小化目标函数优化系数a,b,c,d？

实验数据样式 #

数学建模方程 #

def equation(oc, a, b, c, d):
    return np.exp(a) * (np.exp(b*oc[0])) * (np.exp(c*oc[1])) * (np.exp(d*oc[2]))

优化目标 #

最小化误差，使模型输出贴合实验数据。

现有实现方案 #

x0 = [1.0, 1.0, 1.0, 1.0] 

# 定义最小化目标函数
def objective(x):
    a, b, c, d = x
    oc = df[['oc1', 'oc2', 'oc3']].values.T
    y_pred = equation(oc, a, b, c, d)
    y_true = df['mean'].values.T
    mse = np.sum((y_pred - y_true) ** 2)
    return mse

# 最小化目标函数
res = minimize(objective, x0, method='Nelder-Mead') 

更优雅的实现思路 #

1. 线性化转换：把非线性问题转成线性回归 #

原方程是指数乘积形式，可通过取自然对数线性化：

$y = e^a \cdot e^{b \cdot oc_1} \cdot e^{c \cdot oc_2} \cdot e^{d \cdot oc_3}$
取对数后：$\ln(y) = a + b \cdot oc_1 + c \cdot oc_2 + d \cdot oc_3$

这就变成了标准多元线性回归问题，计算效率远高于非线性优化，结果还能作为后续精细优化的初始值，提升收敛速度。示例代码：

import numpy as np
from sklearn.linear_model import LinearRegression
from scipy.optimize import minimize

# 预处理数据：对目标值取对数
X = df[['oc1', 'oc2', 'oc3']].values
y_log = np.log(df['mean'].values)

# 训练线性回归模型
linear_model = LinearRegression(fit_intercept=True)
linear_model.fit(X, y_log)

# 提取初始参数：截距对应a，系数对应b、c、d
x0 = [linear_model.intercept_, *linear_model.coef_]

# 提前预处理重复使用的数据
oc = df[['oc1', 'oc2', 'oc3']].values.T
y_true = df['mean'].values.T

def mse_loss(x):
    a, b, c, d = x
    y_pred = np.exp(a) * np.exp(b*oc[0]) * np.exp(c*oc[1]) * np.exp(d*oc[2])
    return np.sum((y_pred - y_true) ** 2)

# 用线性回归结果作为初始值做精细优化
res = minimize(mse_loss, x0, method='Nelder-Mead')

2. 用曲线拟合专用工具简化代码 #

使用scipy.optimize.curve_fit，语法更贴合曲线拟合场景，无需手动封装目标函数：

from scipy.optimize import curve_fit

# 适配curve_fit的参数顺序：自变量在前，模型参数在后
def exponential_model(oc, a, b, c, d):
    oc1, oc2, oc3 = oc
    return np.exp(a) * np.exp(b*oc1) * np.exp(c*oc2) * np.exp(d*oc3)

# 准备输入数据：自变量以元组形式传入
x_data = (df['oc1'].values, df['oc2'].values, df['oc3'].values)
y_data = df['mean'].values

# 可传入线性回归得到的初始值提升拟合效果
popt, pcov = curve_fit(exponential_model, x_data, y_data, p0=x0)
# popt即为最优参数[a, b, c, d]

3. 性能与可读性优化 #

• 提前预处理数据：避免在优化迭代中重复读取、转换数据，减少计算开销；
• 选择梯度优化器：如果目标函数可导（可通过自动微分工具如Jax计算梯度），使用L-BFGS-B或trust-constr等梯度类优化器，收敛速度和精度优于Nelder-Mead：

import jax.numpy as jnp
from jax import grad
from scipy.optimize import minimize

def mse_loss_jax(x):
    a, b, c, d = x
    y_pred = jnp.exp(a) * jnp.exp(b*oc[0]) * jnp.exp(c*oc[1]) * jnp.exp(d*oc[2])
    return jnp.sum((y_pred - y_true) ** 2)

# 自动计算梯度
grad_loss = grad(mse_loss_jax)
res = minimize(mse_loss_jax, x0, method='L-BFGS-B', jac=grad_loss)

• 命名规范化：将objective改为mse_loss，equation改为exponential_model，提升代码可读性；
• 封装复用：将数据预处理、模型拟合逻辑封装成函数或类，方便后续维护和复用。

内容的提问来源于stack exchange，提问作者newtopy