nav[aria-label="Primary Navigation"] { padding: 0; & ul { list-style: none; width: 100%; display: flex; flex-direction: row; justify-content: start; align-items: start; gap: 30px; padding: 0; & li { margin: 0; } & ul li { list-style: none; } } }

48854_it-IT

liliconcom

Prestazioni non lineari

Ciao,

Ho un cliente che utilizza regolarmente una piattaforma non lineare.

Definisce un'equazione con 16 parametri e vuole stimarli su dati relativamente grandi (106300 righe). Possono essere necessarie circa 3 ore per fare la stima che è piuttosto lunga.
Ha un computer a 4 core ma ne viene utilizzato solo uno durante il processo.
Tranne la RAM, qualcuno ha qualche consiglio per migliorare il problema di tempo per il suo caso? e l'aggiunta di RAM avrà davvero un buon impatto in questo caso?

Per impostazione predefinita, utilizza il metodo Newton. Non sono sicuro che cambiare questa opzione possa essere utile.

Grazie mille per i tuoi suggerimenti,

Firenze

PS: auguro a tutti una buona pausa festiva!

Ri: Prestazioni non lineari

Concordo con l'approccio di Nick, in particolare i punti di partenza e l'algoritmo utilizzato. Il punto di partenza è incredibilmente importante quando si utilizza Newton. E anche allora potresti trovare una soluzione locale basata sul metodo alla base. Inoltre, Newton ha la sua difficoltà se hai un comportamento altamente non lineare con più punti di svolta, quindi potrebbe saltare da un ottimale all'altro e avere difficoltà a convergere. BFGS o Quasi Neeton dovrebbero funzionare meglio. E risulteranno più probabilmente in un vero ottimale. Dovrebbe provare questi due suggerimenti, nel caso in cui non riesca a ridurre in anticipo il set di parametri. Siccome sono anche d'accordo che questo è un grande set di parametri. Sebbene nell'ottimizzazione numerica non sia raro. Tuttavia, devi tenere presente che con Newton devi calcolare in ogni iterazione l'assia 16x16 ed è inversa che richiede tempo. Anche per Newton non credo che sia multithread poiché ogni passaggio deve calcolare la derivata del passaggio precedente. ma nel calcolo dell'assia potrebbe essere multithread. inoltre non sono sicuro che in JMP sia implementata una dimensione del passo diversa da 1, che potrebbe essere migliore per funzioni altamente non lineari con molti estremi. BFGS e ad esempio levenberg markwardt stanno usando approssimazioni della tela di iuta in base alle informazioni sul gradiente della precedente iterazione,. Pertanto sono necessarie meno operazioni.

Ri: Prestazioni non lineari

Ciao Firenze!

Un modello con 16 parametri suona molto ... c'è un motivo (modello fisico, ecc.) Per cui stanno eseguendo 16 parametri? Inoltre, quale versione di JMP stanno utilizzando, sistema operativo, dimensioni della RAM, ecc.?

Non lineare è hyper-thread (vedere "Uso di JMP" pag. 602), pertanto dovrebbe essere in esecuzione su tutti e 4 i core. Se non vedi alcun carico sugli altri core mentre si adatta, allora potrebbe avere qualcosa impostato per non consentire l'hyper threading. Ci proverò per primo, perché darà miglioramenti prestazionali su JMP.

Migliore,

M

Ri: Prestazioni non lineari

Condivido sempre le strategie seguenti con i miei clienti utilizzando la piattaforma non lineare, in genere queste aiuteranno a convergere rapidamente in una soluzione:

- Utilizza varie combinazioni di opzioni iterative (solo Newton, QuasiNewton BFGS, QuasiNewton SR1 e Numeric Derivatives)

- Regola i valori iniziali dei parametri usando i cursori per modificare visivamente la curva per adattarla meglio

- Centrare i polinomi trasformando l'equazione, questo migliorerà le condizioni per l'ottimizzazione

- Aumenta il numero di iterazioni consentite

- Rilassare uno dei criteri di convergenza

- Prova un modello diverso, se i dati non mostrano la stessa relazione del modello scelto, sarà difficile convergere in una soluzione.

- Ridurre il numero di parametri, un modello che è troppo definito è quello che ha più parametri di quelli necessari per modellare la relazione.

Ri: Prestazioni non lineari

Ciao Firenze,

Questo può sembrare un po 'arretrato, ma consiglierei al cliente di provare la stima dei parametri su sottoinsiemi di dati molto più piccoli, quindi confrontare le stime con il set di dati più grande e vedere quanto potrebbero essere distanti dall'utilizzo del set di dati completo. Possono ottenere una serie ragionevole di stime con il 10% o il 20% dei dati? Una volta che hanno una serie di parametri di cui si fidano, possono quindi applicare la formula al resto della serie di dati.