Метод Nelder-Mead библиотеки scipy.optimize возвращает только текущее значение выбранной точки пространства параметров. В работе, для получения остальных координат соответствующего симплекса, была применена техника интроспекции кода библиотеки. Полученные данные были визуализированны.

Расскажем про несколько функций, где не все методы находят глобальный минимум (в том числе проиллюстрируем результат), а также приведем пример, для которого не работает метод Вольфы, с объяснением причины.

Хотя метод Ньютона зачастую работает и быстрее методов первого порядка, у него есть большой недостаток: на многих функциях он работает некорректно. Это связано с тем, что этот метод не гарантирует, что направление движения всегда будет в сторону уменьшения функции. Иногда это приводит к неожиданным и неприятным последствиям. Например, алгоритм может бесконечно ходить по циклу из нескольких точек. А это, в свою очередь, может привести к тому, что казалось бы “более стабильный” метод (с меньшим шагом) будет зависать, в то время как другие будут работать нормально. Поэтому в нашем докладе мы рассмотрим способы решения проблемы нестабильности метода Ньютона.

Для решения классических задач оптимизации в стандартной постановке уже давно существуют проверенные инструменты, такие как специализированные библиотеки Python. Однако, докладчикам не захотелось ограничиваться использованием готового ПО. Команде захотелось применить инновационные технологии для решения классических задач. В докладе будет описаны конструкции, которые были написаны с нуля, пусть это даже было нелепо и неэффективно, зато интересно и смешно!