scipy.optimize.

brent#

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

给定一个单变量函数和一个可能的区间，返回该函数的局部最小值，其精度由 tol 指定。

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: 可以是满足 xa < xb < xc 且 func(xb) < func(xa) 且 func(xb) < func(xc) 的三元组 (xa, xb, xc)，或用作下坡区间搜索初始点的二元组 (xa, xb)（参见 scipy.optimize.bracket）。最小值 x 不一定满足 xa <= x <= xb。
tol浮点数，可选: 解 xopt 的可接受收敛相对误差。
full_output布尔值，可选: 如果为 True，则返回所有输出参数（xmin，fval，iter，funcalls）。
maxiter整数，可选: 解的最大迭代次数。

返回:

xminndarray: 最佳点。
fval浮点数: （可选输出）最佳函数值。
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。

另请参阅

minimize_scalar: 标量单变量函数最小化算法的接口。特别请参阅 ‘Brent’ 方法。

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 brack 指定的范围内。请参阅 scipy.optimize.fminbound。

示例

我们分别说明当 brack 的大小为 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)