scipy.optimize.
diagbroyden#
- scipy.optimize.diagbroyden(F, xin, iter=None, alpha=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)#
使用对角Broyden雅可比近似法,查找函数的根。
雅可比近似是从之前的迭代中推导出来的,仅保留Broyden矩阵的对角线。
警告
此算法可能对特定问题有用,但其是否有效可能很大程度上取决于问题本身。
- 参数:
- F函数(x) -> f
要查找其根的函数;应接受并返回一个类数组对象。
- xin类数组
解的初始猜测
- alpha浮点数,可选
雅可比矩阵的初始猜测为(-1/alpha)。
- iter整数,可选
要进行的迭代次数。如果省略(默认),则根据需要进行足够多的迭代以满足容差。
- verbose布尔值,可选
在每次迭代时向标准输出打印状态。
- maxiter整数,可选
最大迭代次数。如果需要更多迭代才能满足收敛条件,则会引发
NoConvergence
。- f_tol浮点数,可选
残差的绝对容差(在最大范数下)。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
根据雅可比近似确定的最小绝对步长。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
最小相对步长。如果省略,则不使用。
- tol_norm函数(向量) -> 标量,可选
在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
使用哪种线搜索来确定由雅可比近似给出的方向上的步长。默认为“armijo”。
- callback函数,可选
可选的回调函数。在每次迭代时,它以
callback(x, f)
的形式被调用,其中x是当前解,f是对应的残差。
- 返回:
- solndarray
一个数组(与x0相似的数组类型),包含最终解。
- 引发:
- NoConvergence
当未找到解决方案时。
另请参阅
root
多元函数求根算法的接口。特别参阅
method='diagbroyden'
。
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]]
解决方案可以按如下方式获得。
>>> from scipy import optimize >>> sol = optimize.diagbroyden(fun, [0, 0]) >>> sol array([0.84116403, 0.15883384])