scipy.optimize.

excitingmixing

scipy.optimize.excitingmixing(F, xin, iter=None, alpha=None, alphamax=1.0, 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)

利用调整的对角雅可比行列式，寻求函数的根。

雅可比矩阵是对角线，并且在每次迭代过程中进行调整。

警告

这种算法可能适用于解决某些特定问题，但能否奏效可能在很大程度上取决于具体问题。

参数:

F函数(x) -> f

要查找其根的函数；应该使用并返回一个类似数组的对象。

xin类似数组

求解的初始猜测

alpha浮点，可选

初始雅可比行列式近似值为 (-1/alpha)。

alphamax浮点，可选

对角雅可比矩阵的项保持在 [alpha, alphamax] 范围内。

iterint，可选

要进行的迭代次数。如果省略（默认值），则进行尽可能多的操作来满足公差。

verbose布尔值，可选

在每次迭代中将状态打印到 stdout。

maxiter整数，可选

进行的最大迭代次数。如果需要更多迭代次数才能满足收敛条件，则会引发 NoConvergence。

f_tol浮点数，可选

残差的最大范数绝对容差。如果省略，则默认为 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

绝对最小步长，由 Jacobian 近似确定。如果步长小于此值，则优化将成功终止。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_norm函数 (向量) -> 标量，可选

收敛检查中使用的范数。默认为最大范数。

line_search{None，‘armijo’ (默认值)，‘wolfe’}，可选

用于确定 Jacobian 近似给定方向中步长的线搜索类型。默认为“armijo”。

callback函数，可选

可选的回调函数。它在每次迭代时作为 callback(x, f) 调用，其中x 是当前解决方案，f 是相应的残差。

返回:

solndarray

一个数组（与x0 类似的数组类型），包含最终解决方案。

引发:

NoConvergence

未找到解决方案时。

参见

root

多元函数根求解算法的接口。尤其参见 method='excitingmixing'。