使用scipy.minimize求解极小化问题时如何保存更优的中间结果

实现方案 #

你只需要在原有回调函数基础上新增全局变量记录历史最优目标值，每次迭代判断当前结果是否更优，符合条件就追加写入txt文件即可，具体修改如下：

完整修改后代码 #

import numpy as np
from scipy.optimize import minimize
import os # 用于判断日志文件是否存在，方便生成表头

Nfeval = 1
best_obj = np.inf # 极小化问题初始最优值设为无穷大
log_file = "optimize_best_log.txt" # 保存最优结果的文件路径

def objective_fnc(x):
    ....
    return y

def callbackF(x):
    global Nfeval, best_obj, log_file
    current_obj = objective_fnc(x)
    # 保留原有的迭代信息打印逻辑
    print('{0:4d}   {1: 3.6f}   {2: 3.6f}   {3: 3.6f}   {4: 3.6f}   {5: 3.6f}'.format(Nfeval, x[0], x[1], x[2], x[3], current_obj))
    Nfeval += 1

    # 判断当前结果是否优于历史最优
    if current_obj < best_obj:
        best_obj = current_obj
        # 判断是否需要写入表头（文件不存在/文件为空时写表头）
        write_header = not os.path.exists(log_file) or os.path.getsize(log_file) == 0
        # 追加模式写入文件，不会覆盖历史记录
        with open(log_file, 'a+', encoding='utf-8') as f:
            if write_header:
                f.write("迭代次数,x1,x2,x3,x4,目标函数值\n")
            f.write(f"{Nfeval-1},{x[0]:.6f},{x[1]:.6f},{x[2]:.6f},{x[3]:.6f},{current_obj:.6f}\n")

res=minimize(objective_fnc, x0, method='Nelder-Mead', bounds=bnds, callback=callbackF, options={'disp': True})

注意事项 #

• 如果是极大化优化，将判断条件current_obj < best_obj改为current_obj > best_obj，同时将best_obj初始值设为-np.inf即可
• 写入使用追加模式a+，即使程序意外中断，所有历史最优记录都会完整保存在txt中
• 如果不需要csv格式，可将写入内容中的逗号替换为空格、制表符等其他分隔符
• 若要降低重复计算目标函数的开销，可修改目标函数将最新计算值存在全局变量中，回调函数直接读取即可，无需重复调用objective_fnc

内容的提问来源于stack exchange，提问作者nekovolta