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])
在此页上