scipy.optimize.

brent#

scipy.optimize.brent(func, args=(), brack=None, tol=1.48e-08, full_output=0, maxiter=500)[source]#

给定一个单变量函数和一个可能的括号，返回函数的局部最小值，该最小值被隔离到 tol 的分数精度。

参数：

funccallable f(x,*args): 目标函数。
argstuple, 可选: 附加参数（如果存在）。
bracktuple, 可选: 要么是一个三元组 (xa, xb, xc) 满足 xa < xb < xc 且 func(xb) < func(xa) and func(xb) < func(xc)，要么是一对 (xa, xb)，用于作为下坡括号搜索的初始点（参见 scipy.optimize.bracket）。最小值 x 不一定满足 xa <= x <= xb。
tolfloat, 可选: 解 xopt 中可接受的收敛相对误差。
full_outputbool, 可选: 如果为 True，则返回所有输出参数 (xmin, fval, iter, funcalls)。
maxiterint, 可选: 解中的最大迭代次数。

返回值：

xminndarray: 最佳点。
fvalfloat: (可选输出) 最佳函数值。
iterint: (可选输出) 迭代次数。
funcallsint: (可选输出) 执行的目标函数评估次数。

另请参阅

minimize_scalar: 用于标量单变量函数的最小化算法接口。请特别参阅 ‘Brent’ method。

注释

尽可能使用反抛物线插值来加速黄金分割法的收敛。

不保证最小值位于由 brack 指定的范围内。请参阅 scipy.optimize.fminbound.

示例

我们说明了当 brack 大小分别为 2 和 3 时，函数的行为。在 brack 形式为 (xa, xb) 的情况下，我们可以看到，对于给定的值，输出不一定位于范围 (xa, xb) 内。

>>> def f(x):
...     return (x-1)**2

>>> from scipy import optimize

>>> minimizer = optimize.brent(f, brack=(1, 2))
>>> minimizer
1
>>> res = optimize.brent(f, brack=(-1, 0.5, 2), full_output=True)
>>> xmin, fval, iter, funcalls = res
>>> f(xmin), fval
(0.0, 0.0)