用梯度下降法或遗传算法拟合公式的基本问题

Question

我一直在尝试编写以下问题的代码。我已经根据一些参数定义了一个函数（在我的例子中，是布拉格镜和x射线束的参数）。现在，我试图将结果与使用相同公式的不同程序建模的结果进行比较，但似乎我的一些参数已关闭，因此结果aren't quite the same

如果我想找出正确的参数，我应该怎么做？我仅有的东西是公式f（x1，x2，…），我正在比较我的结果的实验曲线，以及一些关于参数应该是什么样子的想法（x1+-dx1，x2+-dx2，…）

我应该使用什么来最小化剩余？我知道Multifitting使用Levenberg–Marquardt algorithm，我读到过关于genetic algorythm或随机梯度下降的可能性（尽管据我所知，这些更常用于神经网络任务）。我在弄清楚应该编写什么以及如何编写代码方面遇到了一些困难：这个函数需要几分钟的时间来计算，所以遗传算法可能并不理想，我承认我没有弄清楚the SCG I know to be implemented in Python

你建议我在更简单的情况下使用什么？如果除了使用GA模块的算法外，还有其他算法需要在这里实现，是否有明确的masic解释？我问这个问题是在正确的地方吗？先谢谢你

Answer 1

我同意sbjartmar提出的观点，但我怀疑有一个更简单的解释来解释这种差异，以及修复你所获得的贴合感的方法。我应该说，我不熟悉Multifitting软件，但我怀疑它正在做一些您不熟悉的事情，也应该尝试：

由于是在对数比例上打印，因此强调的是非常低的强度值。事实上，它非常适合高强度值，并且在低强度下会逐渐变差。这是可以理解的——高强度下的小失配比非常低强度下的大失配对总失配的贡献大得多

克服这一问题的一个好方法是适应日志空间。也就是说，让您的模型计算log(Intensity)，并传入log(Intensity)的数据

这与用于解决问题的方法无关——它重新描述了要解决的问题。遗传算法在这里可能很有用，但如果Levenberg-Marquardt（速度会快得多）像你所展示的那样工作，它可能已经足够好了，或者至少值得继续使用。气体通常更能确保溶液不会卡在“局部最小值”中。到目前为止，还没有证据表明会发生这种情况（但这总是需要记住的）。我认为你所指的SGD方法是为了解决另一类问题