คำถามพื้นฐานเกี่ยวกับการปรับสูตรด้วยการไล่ระดับสีหรืออัลกอริทึมทางพันธุกรรม

ฉันไม่คุ้นเคยกับ GA หรือใช้ SGD ในสิ่งอื่นนอกเหนือจากโครงข่ายประสาทเทียม แต่ดูเหมือนว่าเมื่อค่า reflected energy บนแกน y ต่ำกว่า 10^-4 ข้อต่อจะเกิดความยากลำบากในการทำงาน เพียงไม่กี่แนวคิด:

1. ดูสิ่งที่เกิดขึ้นที่การไล่ระดับสีที่ค่าสำหรับ y < 10^-4 มันหายไปเมื่อฟังก์ชั่นพังหรือไม่? มันส่งคืนค่าแปลก ๆ หรือไม่?
2. กำลังตรวจสอบ lmfit และ scipy เครื่องมือเพิ่มประสิทธิภาพและเครื่องมือปรับแต่ง หากคุณยังไม่ได้ดำเนินการ
3. ตรวจสอบว่าฟังก์ชันของคุณส่งคืนค่า NaN หรือไม่เมื่อฟังก์ชันลดลงหรือลดลงเหลือค่า y เล็กน้อย

ฉันเห็นด้วยกับประเด็นที่ทำโดย sbjartmar แต่ฉันสงสัยว่ามีคำอธิบายที่ง่ายกว่าเกี่ยวกับความแตกต่างและเส้นทางในการแก้ไขความพอดีที่คุณได้รับ ฉันควรจะบอกว่าฉันไม่คุ้นเคยกับซอฟต์แวร์ Multifitting แต่ฉันสงสัยว่าซอฟต์แวร์กำลังทำบางอย่างที่คุณไม่ได้ทำ และควรลองด้วย:

เนื่องจากคุณกำลังพล็อตในระดับบันทึก คุณกำลังเน้นค่าความเข้มที่ต่ำมาก ในความเป็นจริง ความพอดีนั้นค่อนข้างดีกับค่าความเข้มสูงและจะแย่ลงเรื่อยๆ เมื่อใช้ความเข้มต่ำ สิ่งนี้เป็นเรื่องที่เข้าใจได้ - ความไม่เหมาะสมเล็กน้อยที่มีความเข้มข้นสูงจะส่งผลต่อความไม่เหมาะสมโดยรวมมากกว่าความไม่เหมาะสมขนาดใหญ่ที่มีความเข้มข้นต่ำมาก

วิธีหนึ่งที่ดีในการแก้ไขปัญหานี้คือพอดีกับพื้นที่บันทึก นั่นคือ ให้แบบจำลองของคุณคำนวณ log(Intensity) และส่งข้อมูลเป็น log(Intensity)

ซึ่งไม่ขึ้นอยู่กับวิธีการที่ใช้ในการแก้ปัญหา - เป็นการจำลองปัญหาใหม่ที่จะแก้ไข อัลกอริทึมทางพันธุกรรมอาจมีประโยชน์ที่นี่ แต่ถ้า Levenberg-Marquardt (ซึ่งจะเร็วกว่ามาก) ทำงานได้ดีเช่นเดียวกับที่คุณแสดง มันอาจจะดีพอหรืออย่างน้อยก็คุ้มค่าที่จะทำงานต่อไป โดยทั่วไปแล้ว GA จะดีกว่าในการทำให้แน่ใจว่าโซลูชันไม่ติดค้างอยู่ใน "ขั้นต่ำท้องถิ่น" จนถึงขณะนี้ ยังไม่มีหลักฐานว่าเกิดขึ้น (แต่ก็มีบางสิ่งที่ต้องจำไว้เสมอ) ฉันคิดว่าวิธี SGD ที่คุณชี้ไปนั้นมีจุดมุ่งหมายเพื่อแก้ไขปัญหาประเภทต่างๆ