含4个参数的复杂函数曲线拟合遇RuntimeError问题求助

问题概述 #

使用scipy.optimize.curve_fit拟合自定义复杂函数时，出现以下错误：

RuntimeError: Optimal parameters not found: Number of calls to function has reached maxfev = 10000.

即使增大maxfev到10000000或移除对数项，问题依然存在。原代码中的拟合函数包含多个指数项与对数运算，目标是拟合参数a、b、c、d。

核心原因分析 #

1. 数值合理性错误：原函数中1 - np.exp(2*38.94336875*x)项会导致分子为负数——当x在1.86_{1.96区间时，`2*38.94*x`约为144}152，np.exp(144)是约1e62的极大值，1 - exp(...)近似为-1e62，最终对数内的表达式为负数，计算时会产生NaN，直接导致拟合算法失效。
2. 初始参数不合理：curve_fit默认初始参数全为1，但该复杂函数的参数空间非凸，默认初始值可能离最优解极远，导致迭代无法收敛。
3. 重复计算与数值溢出：原函数中大量重复计算指数项，不仅降低效率，还容易引发数值溢出/下溢问题，干扰拟合过程。

解决方案 #

1. 修正函数的符号错误 #

根据实验数据y为负数的特征，对数内的表达式必须是0~1之间的正数。因此需修正分子中的符号，将1 - exp(2kx)改为exp(2kx) - 1（或根据物理模型调整为1 - exp(-2kx)，确保分子为正），保证对数运算的有效性。

2. 简化函数表达式，优化数值稳定性 #

预计算常数项、提取重复的指数项，减少计算量与数值误差：

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

x = np.array([1.8652, 1.8966, 1.9125, 1.9230, 1.9313, 1.9359, 1.9435, 1.9523, 1.9585, 1.9649])
y = np.array([-0.0597, -0.0596, -0.0607, -0.0617, -0.0628, -0.0637, -0.0646, -0.0658, -0.0668, -0.0677])

# 可视化原始数据
plt.scatter(x, y, c='k')
plt.xlabel('x')
plt.ylabel('y')
plt.grid(True)
plt.show()

# 修正并简化拟合函数
def f(x, a, b, c, d):
    k = 38.94336875
    # 预计算常数项，减少重复计算
    C = 2 * 96485 / 0.000035
    # 提取重复的指数项
    exp_half_kx_neg = np.exp(-0.5 * k * x)
    exp_2kx = np.exp(2 * k * x)
    exp_kx = np.exp(k * x)
    # 修正符号，确保分子为正
    numerator = a * b * exp_half_kx_neg * (exp_2kx - 1)
    denominator = (a + b) + (c + d) * exp_kx
    inner = numerator / denominator
    return np.log10(C * inner)

3. 提供合理的初始参数猜测 #

根据物理意义或数据趋势，给出接近最优解的初始参数（例如假设参数非负且在0.1~10范围内），避免算法从离群点开始迭代：

# 初始参数猜测，可根据实际模型调整
p0 = [0.1, 0.1, 0.1, 0.1]
# 设置参数边界，限制参数范围（这里假设参数非负）
args, pcov = curve_fit(f, x, y, p0=p0, maxfev=100000, bounds=(0, [10, 10, 10, 10]))

print('拟合参数(a, b, c, d):', args)

4. 验证拟合结果 #

计算拟合曲线并绘图对比：

y_fit = f(x, *args)

plt.scatter(x, y, c='b', label="实验数据")
plt.plot(x, y_fit, 'r-', label="拟合曲线")
plt.xlabel('x')
plt.ylabel('y')
plt.legend(loc='best')
plt.grid(True)
plt.show()

额外优化建议 #

• 如果参数之间存在相关性，可尝试减少参数数量（例如假设a=c、b=d，根据物理模型简化）。
• 对参数或变量进行缩放，例如将x减去均值，或对参数取对数，优化参数空间的平滑性。
• 若仍不收敛，可尝试使用scipy.optimize.least_squares替代curve_fit，它支持更多优化算法与约束条件。

内容的提问来源于stack exchange，提问作者Walrus