Twiddle算法的简单Demo

1.简单说明

Twiddle算法可以为一个计算误差的算法A去找到一个好的参数P。比如在PID调参中&＃xff0c;一次调整一个参数&＃xff0c;最终生成最优参数集&＃xff0c;实现最优参数的搜索。

相较于梯度下降之类的算法的话&＃xff0c;最大的优点就应该是简单了吧&＃xff0c;不用去计算高维函数的梯度。

Talk is cheap, show me the code!

2.代码说明

下面写一段伪Python代码来说明一下&＃xff0c;在这里的话以PID为例。

# 我们为PID算法选取初始化参数构成参数向量p&＃xff0c;顺序依次为拍P->I->D
# 因为这也符合PID整定的一般规则&＃xff0c;先比例&＃xff0c;后积分&＃xff0c;再微分。
p &＃61; [0, 0, 0]
# 在这里我们定义初始的变化量
dp &＃61; [1, 1, 1]
# 这里的A(p)是计算误差的算法
best_err &＃61; A(p)# 我们将误差的阈值设置为0.1&＃xff0c;
threshold &＃61; 0.1#如果dp的变化量和比我们设置的阈值大的话&＃xff0c;执行循环操作
while sum(dp) > threshold:for i in range(len(p)):p[i] &＃43;&＃61; dp[i]err &＃61; A(p)if err < best_err: # 误差比目前最好的误差更小则更新最好误差值best_err &＃61; errdp[i] *&＃61; 1.1else: # 不然的话我们就将目前的参数朝另一个方向进行计算&＃xff08;这里减去2倍是因为刚才加了1次&＃xff09;p[i] -&＃61; 2 * dp[i] err &＃61; A(p)if err < best_err: # 误差变优的话则更新best_err &＃61; errdp[i] *&＃61; 1.05else: # 不然的话就说明目前的变化值设计的太大&＃xff0c;既不能There was no improvementp[i] &＃43;&＃61; dp[i] # 这一步是为了让p[i]返回到这次循环前的值&＃xff0c;即不加不减dp[i] *&＃61; 0.95 # 减小变化值继续反复更新参数