broyden2#
- scipy.optimize.broyden2(F, xin, iter=None, alpha=None, reduction_method='restart', max_rank=None, verbose=False, maxiter=None, f_tol=None, f_rtol=None, x_tol=None, x_rtol=None, tol_norm=None, line_search='armijo', callback=None, **kw)#
使用 Broyden 第二种 Jacobian 近似法寻找函数的根。
此方法也称为“Broyden 劣质方法”。
- 参数:
- Ffunction(x) -> f
要寻找其根的函数;应接受并返回一个类似数组的对象。
- xinarray_like
解决方案的初始猜测
- alpha浮点数, 可选
Jacobian 的初始猜测是
(-1/alpha)
。- reduction_method字符串或元组, 可选
用于确保 Broyden 矩阵的秩保持较低的方法。可以是表示方法名称的字符串,也可以是形式为
(method, param1, param2, ...)
的元组,提供方法名称和额外参数的值。可用方法
restart
: 删除所有矩阵列。没有额外参数。simple
: 删除最旧的矩阵列。没有额外参数。svd
: 只保留最重要的 SVD 分量。接受一个额外参数,to_retain
,它决定了在进行秩减少时要保留的 SVD 分量数量。默认值为max_rank - 2
。
- max_rank整数, 可选
Broyden 矩阵的最大秩。默认为无穷大(即,不进行秩减少)。
- iter整数, 可选
要进行的迭代次数。如果省略(默认),则进行满足容差所需的尽可能多的迭代。
- verbose布尔值, 可选
在每次迭代时将状态打印到标准输出。
- maxiter整数, 可选
要进行的最大迭代次数。如果需要更多迭代才能达到收敛,则会引发
NoConvergence
异常。- f_tol浮点数, 可选
残差的绝对容差(最大范数)。如果省略,默认为 6e-6。
- f_rtol浮点数, 可选
残差的相对容差。如果省略,则不使用。
- x_tol浮点数, 可选
根据 Jacobian 近似法确定的绝对最小步长。如果步长小于此值,则优化成功终止。如果省略,则不使用。
- x_rtol浮点数, 可选
相对最小步长。如果省略,则不使用。
- tol_normfunction(vector) -> scalar, optional
收敛检查中使用的范数。默认为最大范数。
- line_search{None, ‘armijo’ (默认), ‘wolfe’}, 可选
用于确定 Jacobian 近似给定方向上步长的线搜索类型。默认为 ‘armijo’。
- callback函数, 可选
可选的回调函数。在每次迭代时,它被调用为
callback(x, f)
,其中 x 是当前解,f 是相应的残差。
- 返回:
- solndarray
一个包含最终解决方案的数组(与 x0 类似数组类型)。
- 抛出:
- NoConvergence
当未找到解决方案时。
另请参阅
root
多变量函数求根算法的接口。特别请参阅
method='broyden2'
。
备注
此算法实现了逆 Jacobian 拟牛顿更新
\[H_+ = H + (dx - H df) df^\dagger / ( df^\dagger df)\]对应于 Broyden 第二种方法。
参考文献
[1]B.A. van der Rotten, PhD thesis, “A limited memory Broyden method to solve high-dimensional systems of nonlinear equations”. Mathematisch Instituut, Universiteit Leiden, The Netherlands (2003)。
https://web.archive.org/web/20161022015821/http://www.math.leidenuniv.nl/scripties/Rotten.pdf
示例
以下函数定义了一个非线性方程组
>>> def fun(x): ... return [x[0] + 0.5 * (x[0] - x[1])**3 - 1.0, ... 0.5 * (x[1] - x[0])**3 + x[1]]
解决方案可以按以下方式获得。
>>> from scipy import optimize >>> sol = optimize.broyden2(fun, [0, 0]) >>> sol array([0.84116365, 0.15883529])