📈 optim - Optimizasyon Algoritmaları

Gradient Descent, BFGS, Genetic, Simulated Annealing

Fonksiyon

723

Satır

23 KB

Boyut

🚀 Hızlı Başlangıç

içe_aktar optim, math

// Minimize f(x) = (x-3)²
fonksiyon objective(x: kesir) -> kesir yap
    dön (x - 3.0) * (x - 3.0)
son

// Gradient descent
değişken sonuç = optim.minimize(objective, 0.0, yap
    yöntem: optim.GRADIENT_DESCENT,
    öğrenme_oranı: 0.1,
    max_iter: 100
son)

yazdır("Minimum: x = " + sonuç.x.yazıya())  // x ≈ 3.0
yazdır("f(x) = " + sonuç.f_min.yazıya())  // f(x) ≈ 0.0

📚 Algoritmalar

Gradient Descent: GD, SGD, Adam, RMSprop
Quasi-Newton: BFGS, L-BFGS
Metaheuristics: Genetic, PSO, Simulated Annealing
Constrained: Lagrange multipliers, Penalty method

💡 Örnekler

Linear Regression (Gradient Descent)

içe_aktar optim, linalg

// Training data
değişken X = [[1.0], [2.0], [3.0], [4.0], [5.0]]
değişken y = [2.0, 4.0, 6.0, 8.0, 10.0]

// Loss function (MSE)
fonksiyon loss(params: Dizi) -> kesir yap
    değişken w = params[0]
    değişken b = params[1]
    
    değişken total_loss = 0.0
    her i içinde aralık(0, X.uzunluk()) için yap
        değişken prediction = w * X[i][0] + b
        değişken error = prediction - y[i]
        total_loss = total_loss + error * error
    son
    
    dön total_loss / X.uzunluk().kesir()
son

// Optimize
değişken sonuç = optim.minimize(loss, [0.0, 0.0], yap
    yöntem: optim.ADAM,
    öğrenme_oranı: 0.1,
    max_iter: 1000
son)

değişken w = sonuç.x[0]
değişken b = sonuç.x[1]
yazdır("y = " + w.yazıya() + "x + " + b.yazıya())  // y ≈ 2x + 0

← Tüm Modüller