scipy.optimize.

brent#

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

给定一个单变量函数和一个可能的分段区间，返回该函数的局部最小值点，其精度可达 tol 的小数精度。

参数:

func可调用对象 f(x,*args): 目标函数。
args元组，可选: 附加参数（如果存在）。
brack元组，可选: 一个三元组 (xa, xb, xc)，满足 xa < xb < xc 且 func(xb) < func(xa) and func(xb) < func(xc)；或者一个二元组 (xa, xb)，用作下坡分段区间搜索的初始点（参见 scipy.optimize.bracket）。最小值点 x 不一定满足 xa <= x <= xb。
tol浮点数，可选: 解决方案 xopt 中可接受的收敛相对误差。
full_output布尔值，可选: 如果为 True，返回所有输出参数 (xmin, fval, iter, funcalls)。
maxiter整数，可选: 解决方案中的最大迭代次数。

返回:

xminndarray: 最优值点。
fval浮点数: （可选输出）最优函数值。
iter整数: （可选输出）迭代次数。
funcalls整数: （可选输出）目标函数评估次数。

另请参见

minimize_scalar: 单变量标量函数最小化算法的接口。特别是请参阅“Brent”方法。

注意

尽可能使用逆抛物线插值法来加速黄金分割法的收敛。

不保证最小值落在 brack 指定的范围内。请参阅 scipy.optimize.fminbound。

示例

我们展示了当 brack 的大小分别为 2 和 3 时的函数行为。在 brack 形式为 (xa, xb) 的情况下，我们可以看到对于给定值，输出不一定落在 (xa, xb) 范围内。

>>> 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)