根据Scipy中目标函数的阈值进行优化

Question

Scipy的differential_evolution（在许多其他优化例程中，例如minimize）可以声明callback函数以某种方式提前终止优化。

在StackOverflow上，主要讨论了此callback，以便在时间限制后停止优化（例如，参见here和here）。

[minimize和differential_evolution都处理最小化问题，我的问题是：如果到目前为止找到的最佳目标函数值低于用户定义的值，是否有人知道callback是否可用于停止优化门槛？

Answer 1

鉴于对此问题缺乏答案和评论，起初我认为这是不可能完成的。因此，我在Scipy的GitHub页面上打开了一个[[enhancement问题，并询问是否要添加此功能。

[其中一位撰稿人结束了我的问题，说尽管采取了棘手的方式（我认为不是很优雅），但可以做到这一点，他给了我一些提示。

这是我提出的解决方案，希望对您有所帮助

from scipy.optimize import differential_evolution
from scipy.optimize import rosen
import numpy

class MinimizeStopper(object):
    def __init__(self, f=rosen, tau=1):
        self.fun = f                     # set the objective function
        self.best_x = None
        self.best_func = numpy.inf
        self.tau = tau                   # set the user-desired threshold

    def __call__(self, xk, convergence=None,  *args, **kwds):
        fval = self.fun(xk, *args, **kwds)
        if fval < self.best_func:
            self.best_func = fval
            self.best_x = xk
        if self.best_func <= self.tau:
            print("Terminating optimization: objective function threshold triggered")
            print(self.best_x)
            return True
        else:
            return False


bounds = [(0,2), (0, 2), (0, 2), (0, 2), (0, 2)]
result = differential_evolution(rosen, bounds, callback=MinimizeStopper(), polish=False,disp=True, maxiter=100, popsize=100)
print(result)

返回]
differential_evolution step 1: f(x)= 10.7709
differential_evolution step 2: f(x)= 10.7709
differential_evolution step 3: f(x)= 8.02332
differential_evolution step 4: f(x)= 2.16592
differential_evolution step 5: f(x)= 2.16592
differential_evolution step 6: f(x)= 2.16592
differential_evolution step 7: f(x)= 0.812177
Terminating optimization: objective function threshold triggered
[1.01141374 0.95894166 0.91957732 0.87022813 0.70102066]
     fun: 0.8121773465012827
 message: 'callback function requested stop early by returning True'
    nfev: 4000
     nit: 7
 success: False
       x: array([1.01141374, 0.95894166, 0.91957732, 0.87022813, 0.70102066])
一些注意事项：
该解决方案不完善，因为它需要对适应度函数进行其他评估才能检查停止标准。不幸的是，由于scipy.optimize模块的内部结构，没有解决方法。
我已经在rosen上测试了这种方法，通常，如果目标函数不需要任何其他参数，但是如果目标函数需要其他参数，那么我认为必须使用*args才能奏效在第二个self.best_x分支中打印if不是必须的。我添加的只是调试检查，以查看callback中是否实际返回了result找到的最佳解决方案（即differential_evolution()找到的总体最佳解决方案）