タグ付けされた質問 「data-sets」

解決すべきいくつかの挑戦的な非凸のグローバル最適化問題があります。現在、MATLABのOptimization Toolbox（特にfmincon()algorithm ='sqp'を使用）を使用していますが、これは非常に効果的です。ただし、私のコードのほとんどはPythonで作成されているため、Pythonでも最適化を行いたいと考えています。競合できるPythonバインディングを備えたNLPソルバーはありfmincon()ますか？ちがいない 非線形等式および不等式の制約を処理できる ユーザーがヤコビアンを提供する必要はありません。 グローバルな最適化を保証していなくても構いません（保証fmincon()しません）。私は、困難な問題や、それよりもわずかに遅い場合でも、ローカル最適にロバストに収束するものを探していfmincon()ます。 OpenOptで利用できるソルバーをいくつか試しましたが、MATLABのソルバーより劣っていfmincon/sqpます。 強調するために、私はすでに扱いやすい定式化と優れたソルバーを持っています。私の目標は、ワークフローをより合理化するために、単に言語を変更することです。 Geoffは、問題のいくつかの特性が関連している可能性があると指摘しています。彼らです： 10-400の決定変数 4〜100の多項式等式制約（1〜8の範囲の多項式次数） 決定変数の数の約2倍に等しい合理的な不等式制約の数 目的関数は決定変数の1つです 不等式制約のヤコビアンと同様に、等式制約のヤコビアンは密です。

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 

計算作業で使用しようとしているソフトウェアの品質を評価する際に（それがあなたが書いたものであるか、缶詰のパッケージであるかを問わず）、標準のデータセットまたは問題でどの程度うまく機能するかを確認することはしばしば良い考えです。計算ルーチンを検証するためのこれらのテストはどこで入手できますか？ （回答ごとに1つのウェブサイト/本をお願いします。）

41 testing  data-sets 

導関数なしのオプティマイザには、主に2種類のテスト関数があるようです。 Rosenbrock関数 ff。のようなワンライナー 、開始点付き 補間器を使用した実データ点のセット 10d Rosenbrockを実際の10d問題と比較することは可能ですか？ さまざまな方法で比較することができます。局所的な最小値の構造を記述する か、Rosenbrockおよびいくつかの実際の問題に対してオプティマイザABCを実行します。 しかし、これらは両方とも難しいようです。 （たぶん、理論家と実験者はまったく異なる2つの文化なので、キメラを求めていますか？） こちらもご覧ください： scicomp.SEの質問：アルゴリズム/ルーチンをテストするための優れたデータセット/テスト問題はどこで入手できますか？ フッカー、「ヒューリスティックのテスト：すべてが間違っています」は痛烈です：「競争に重点を置いていることは、どのアルゴリズムが優れているが理由ではないことを教えてくれます。」 （2014年9月に追加された）： 以下のプロットは、10個のランダムな開始点から8Dに14のテスト機能に3つのDFOアルゴリズムを比較：BOBYQA PRAXIS SBPLXをからNLOpt 14 N次元のテスト機能、パイソンを下gist.github このからのMatlab A.によってHedar ×各機能のバウンディングボックス内の10一様乱数startpoints。××\times ××\times たとえば、Ackleyでは、最上行にSBPLXが最適であり、PRAXISがひどいことを示しています。Schwefelでは、右下のパネルにSBPLXが5番目のランダムな開始点で最小値を見つけていることが示されています。 全体として、BOBYQAは1で最高であり、PRAXISは5で、SBPLX（〜Nelder-Mead with restarts）は13のテスト機能のうち7つで、Powersumは最高です。YMMV！特に、ジョンソン氏は、「グローバル最適化では、関数値（ftol）またはパラメーター許容値（xtol）を使用しないことをお勧めします。」 結論：1頭の馬や1つのテスト機能にすべてのお金をかけないでください。

15 optimization  data-sets 

2部グラフで最小頂点カバー/最大カーディナリティの一致を見つけるためのアルゴリズムの単純な実装で遊んでいます。ただし、検証に使用できるいくつかのテストデータセットを正しく検索できなかった場合は、検索に問題があるようです。 紙で確認できる簡単な例を考案するのは簡単ですが、もっと大きくてトリッキーなベンチマークが欲しいと思います。 私の研究から、たとえば機械学習の問題のようなベンチマークデータを見つけることができることを覚えているので、私は尋ねています。 ポインタはありますか？

8 data-sets  graph-theory