Symbolische Regression mit Ganzzahlparametern [geschlossen] ⇐ Python

[Anonymous]

Ich habe ein Projekt einer symbolischen Regression (hier auf GitHub). Um die Dinge zu vereinfachen, möchte ich Einschränkungen für Parameter hinzufügen, wie Ganzzahlen sind. Ich habe es mit Deap versucht, aber ohne Erfolg (vielleicht falsche Verwendung). Gibt es eine Möglichkeit, dieses Ziel zu erreichen? In diesem Fall hat der symbolische Ausdruck, der in den Parametern optimiert werden sollimport numpy as np
import sr
import sympy

def test_2():
#sin(x)*exp(x)

model = sr.SR(niterations = 1,
unary_operators = {"sin": (sympy.sin, np.sin),
"exp": (sympy.exp, np.exp)},
binary_operators = {"*": (operator.mul, operator.mul)},
discrete_param_values = ["(-5, 5)"],
foundBreak = True,
maxfev = 200)

n = 100
xmin = -5
xmax = 10
x = (xmax - xmin) * np.random.rand(n) + xmin
y = np.sin(x) * np.exp(x)

model.predict([x], y, ["x"])

assert(len(model.bestExpressions) == 1)
assert(model.bestExpressions[0][0] == sympy.sympify("sin(x)*exp(x)"))
< /code>
Meine Implementierung der Fit -Funktion versucht mehrere zufällige curve_fit mit runden Operation (für diskrete Werte): < /p>
def fit(func, value_vars, y, p0, loss_func, eps, maxfev, discrete_values = []):
if (len(discrete_values) == 0):
try:
value_params, _ = curve_fit(func, value_vars, y, p0 = p0, maxfev = maxfev)
except RuntimeError as e:
print(e)

return p0

return value_params

try:
value_params, _ = curve_fit(func, value_vars, y, p0 = p0, maxfev = maxfev)
except RuntimeError as e:
print(e)

return p0

best_x = random_discrete_values(len(p0), discrete_values)

try:
best_loss = loss_func(func(value_vars, *best_x), y)
x = best_x

for i in range(0, maxfev):
try:
value_params, _ = curve_fit(func, value_vars, y, p0 = random_discrete_values(len(p0), discrete_values), maxfev = 10 * maxfev)

x = round_discrete_values(value_params, discrete_values)
loss = loss_func(func(value_vars, , y)

if (loss < best_loss and any(x)):
best_loss = loss
best_x = x

if (best_loss < eps):
break
except RuntimeError:
pass
except ValueError:
pass
except OverflowError:
pass
except ValueError:
pass
except OverflowError:
pass

return best_x
< /code>
Hier ist ein MCVE mit Optuna, es scheitert auch: < /p>
import math
import numpy as np
import random
import sympy

def range_discrete_values(discrete_values):
type_, min_, max_ = int, math.inf, -math.inf

for value in discrete_values:
if (type(value) is float):
type_ = float
min_ = min(min_, value)
max_ = max(max_, value)
elif (type(value) == str):
s = value
a, b = [float(x) for x in s[1:-1].split(",")]

assert(a