Я пытаюсь решить проблему минимизации, используя функцию минимизации Scipy. Целевая функция - это просто отношение двух многомерных нормальных распределений с разными средними значениями и дисперсией. Я надеюсь найти максимум функции g_func, что эквивалентно нахождению минимума функции g_optimization. Также я добавил ограничение x [0] = 0. Здесь x - вектор с 8 элементами. Целевая функция g_optimization следующая:
import numpy as np
from scipy.optimize import minimize
# Set up mean and variance for two MVN distributions
n_trait = 8
sigma = np.full((n_trait, n_trait),0.0005)
np.fill_diagonal(sigma,0.005)
omega = np.full((n_trait, n_trait),0.0000236)
np.fill_diagonal(omega,0.0486)
sigma_pos = np.linalg.inv(np.linalg.inv(sigma)+np.linalg.inv(omega))
mu_pos = np.array([-0.01288244,0.08732091,0.01049617,0.0860966,0.10055626,0.07952922,0.04363669,-0.0061975])
mu_pri = 0
sigma_pri = omega
#objective function
def g_func(beta,mu_sim_pos):
g1 = ((np.linalg.det(sigma_pri))**(1/2))/((np.linalg.det(sigma_pos))**(1/2))
g2 = (-1/2)*np.linalg.multi_dot([np.transpose(beta-mu_sim_pos),np.linalg.inv(sigma_pos),beta-mu_sim_pos])
g3 = (1/2)*np.linalg.multi_dot([np.transpose(beta-mu_pri),np.linalg.inv(sigma_pri),beta-mu_pri])
g = g1*np.exp(g2+g3)
return g
def g_optimization(beta,mu_sim_pos):
return -1*g_func(beta,mu_sim_pos)
#optimization
start_point = np.full(8,0)
cons = ({'type': 'eq',
'fun' : lambda x: np.array([x[0]])})
anws = minimize (g_optimization, [start_point], args=(mu_pos),
constraints=cons, options={'maxiter': 50}, tol=0.001)
anws
Оптимизация останавливается после двух итераций, и минимальное значение, которое дает функция, равно 0 в точке np.array ([0,10.32837891, -1.62396508,10.13790152,12.38752653,9.11615259,3.53201544, -4.22115517]). Это не может быть правдой, потому что даже если мы подключим начальную точку np.zeros (8) к функции g_optimization, получим результат -657.0041125829354, что меньше 0. Таким образом, предлагаемое решение определенно не является минимальным.
g_optimization(np.zeros(8),mu_pos) #gives solution of -657.0041125829354
Я не уверен, где я ошибся.