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 雅可比矩阵近似查找函数的根。

雅可比矩阵近似是通过保留 Broyden 矩阵的对角线，从先前的迭代中推导出来的。

警告

此算法可能对特定问题有用，但其是否有效可能在很大程度上取决于问题。

参数:

F函数(x) -> f: 要查找其根的函数；应该接受并返回一个类似数组的对象。
xinarray_like: 解的初始猜测
alphafloat, 可选: 雅可比矩阵的初始猜测是 (-1/alpha)。
iterint, 可选: 要进行的迭代次数。如果省略（默认），则进行满足公差所需的尽可能多的迭代。
verbosebool, 可选: 在每次迭代时将状态打印到标准输出。
maxiterint, 可选: 要进行的最大迭代次数。如果需要更多迭代才能满足收敛，则会引发 NoConvergence。
f_tolfloat, 可选: 残差的绝对公差（以最大范数表示）。如果省略，则默认值为 6e-6。
f_rtolfloat, 可选: 残差的相对公差。如果省略，则不使用。
x_tolfloat, 可选: 根据雅可比矩阵近似确定的绝对最小步长。如果步长小于此值，则优化将终止并被视为成功。如果省略，则不使用。
x_rtolfloat, 可选: 相对最小步长。如果省略，则不使用。
tol_norm函数(vector) -> 标量, 可选: 用于收敛检查的范数。默认值为最大范数。
line_search{None, ‘armijo’ (默认), ‘wolfe’}, 可选: 使用哪种类型的线搜索来确定雅可比矩阵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。它在每次迭代时调用，形式为 callback(x, f)，其中 x 是当前解，f 是对应的残差。

返回:

solndarray: 一个数组（与 x0 的数组类型相似），其中包含最终解。

引发:

NoConvergence: 当未找到解时。

另请参阅

root: 多元函数求根算法的接口。特别参见 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]]

可以通过以下方式获得解。

>>> from scipy import optimize
>>> sol = optimize.diagbroyden(fun, [0, 0])
>>> sol
array([0.84116403, 0.15883384])