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 Jacobian 近似来查找函数的根。

Jacobian 近似源于先前的迭代，只需保留对角 Broyden 矩阵。

警告

此算法可能对特定问题有用，但它是否有效可能在很大程度上取决于问题。

参数:

Ffunction(x) -> f: 要查找其根的函数；应该获取并返回类似数组的对象。
xinarray_like: 解的初始猜测
alphafloat, optional: 雅各比的初始猜测为 (-1/alpha)。
iterint, optional: 要进行的迭代次数。如果忽略（默认值），则尽可能多地满足公差。
verbosebool, optional: 在每次迭代时，将状态输出到 stdout。
maxiterint, optional: 要进行的最大迭代次数。如果需要更多次数才能实现收敛，则会引发 NoConvergence。
f_tolfloat, optional: 残差的绝对容差（最大范数）。如果忽略，则默认为 6e-6。
f_rtolfloat, optional: 残差的相对容差。如果忽略，则不使用。
x_tolfloat, optional: 绝对最小步长，由雅各比近似确定。如果步长小于此值，则优化将作为成功终止。如果忽略，则不使用。
x_rtolfloat, optional: 相对最小步长。如果忽略，则不使用。
tol_normfunction(vector) -> scalar, optional: 用于收敛检查的范数。默认为最大范数。
line_search{None, ‘armijo’ (default), ‘wolfe’}, optional: 使用哪种类型的线路搜索来确定由雅各比近似给出的方向中的步长。默认为“armijo”。
callbackfunction, optional: 可选的回调函数。它在每次迭代时都以 callback(x, f) 为单位进行调用，其中 x 是当前解，f 是相应的残差。

返回:

solndarray: 包含最终解的数组（类似于 x0 的数组类型）。

引发:

NoConvergence: 找不到解时。

另请参见

root: 多元函数根查找算法的接口。尤其是请参阅 method='diagbroyden'。

示例

以下函数定义非线性方程组

>>> def fun(x):
...     return [x[0]  + 0.5 * (x[0] - x[1])**3 - 1.0,
...             0.5 * (x[1] - x[0])**3 + x[1]]

可以按如下方式获取解。

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