Questions tagged «data-sets»

我要解决几个具有挑战性的非凸全局优化问题。目前，我使用了MATLAB的Optimization Toolbox（特别是fmincon()使用algorithm = 'sqp'），它非常有效。但是，我的大部分代码是在Python中进行的，我也想在Python中进行优化。是否存在可以与Python绑定竞争的NLP求解器fmincon()？它必须 能够处理非线性等式和不等式约束 不需要用户提供雅可比行列式。 如果不保证全局最优（fmincon()没有），也可以。我正在寻找一种即使在遇到挑战性问题时也可以收敛到局部最优的东西，即使它比慢一些fmincon()。 我尝试了OpenOpt提供的几种求解器，发现它们不如MATLAB的fmincon/sqp。 只是为了强调，我已经有了一个易于处理的公式和一个好的求解器。我的目标仅仅是更改语言，以使工作流程更加简化。 Geoff指出问题的某些特征可能是相关的。他们是： 10-400个决策变量 4-100个多项式相等约束（多项式范围从1到大约8） 有理不等式约束的数量大约等于决策变量数量的两倍 目标函数是决策变量之一 等式约束的雅可比行列是密集的，不等式约束的雅可比行列是密集的。

77 python  optimization  nonlinear-programming  linear-algebra  linear-solver  sparse-matrix  ode  automatic-differentiation  efficiency  matrix  symbolic-computation  pde  multiphysics  operator-splitting  fluid-dynamics  pde  multigrid  pde  hyperbolic-pde  quadrature  precision  numerical-analysis  fluid-dynamics  interpolation  c  ode  testing  data-sets  pde  fluid-dynamics  hyperbolic-pde  pde  finite-element  fluid-dynamics  stability  incompressible  pde  hyperbolic-pde  fluid-dynamics  pde  precision  floating-point  convex-optimization  conditioning  pde  hyperbolic-pde  stability  implicit-methods  explicit-methods  fluid-dynamics  accuracy  pde  hyperbolic-pde  petsc  linear-algebra 

在评估要在计算工作中使用的软件质量（无论是编写的东西还是固定包装的软件）时，通常最好先查看它在标准数据集或问题上的工作情况。在哪里可以获得这些测试以验证计算例程？ （请给每个答案一本网站/书。）

41 testing  data-sets 

对于无导数优化器，似乎有两种主要的测试函数： 像Rosenbrock函数 ff 这样的 单线，带有起点 带有插值器的一组真实数据点 是否可以将10d Rosenbrock与任何实际的10d问题进行比较？ 一个人可以用多种方式进行比较：描述局部极小值的结构， 或者在Rosenbrock上和一些实际问题上运行优化器ABC； 但是这两者似乎都很困难。 （也许理论家和实验者只是两种截然不同的文化，所以我要求一种嵌合体吗？） 也可以看看： scicomp.SE问题：在哪里可以获取用于测试算法/例程的良好数据集/测试问题？ 胡克（Hooker）的《测试启发式方法：我们全错了》令人发指：“对竞争的重视……告诉我们哪种算法更好，但为什么却不行。” （在2014年9月增补）： BOBYQA PRAXIS SBPLX从：小区下面从10个随机起始点比较在图8d 14个测试功能3种DFO算法NLOpt 14 N维测试功能，Python的下gist.github 从这个Matlab的由A. 每个函数的边界框中的Hedar × 10个均匀随机的起点。××\times ××\times 例如，在Ackley上，第一行显示SBPLX最好，PRAXIS糟糕；在Schwefel上，右下方的面板显示SBPLX在第5个随机起点上找到了最小值。 总体而言，BOBYQA在1，PRAXIS，5和SBPLX（〜具有重新启动功能的Nelder-Mead）上最好，在13个测试功能中有7个，并且Powersum值得一提。YMMV！约翰逊特别指出：“我建议您在全局优化中不要使用函数值（ftol）或参数公差（xtol）。” 结论：不要把所有的钱都花在一匹马或一项测试功能上。

15 optimization  data-sets