Ctrl+K
scipy.optimize.

fmin_tnc#

scipy.optimize.fmin_tnc(func, x0, fprime=None, args=(), approx_grad=0, bounds=None, epsilon=1e-08, scale=None, offset=None, messages=15, maxCGit=-1, maxfun=None, eta=-1, stepmx=0, accuracy=0, fmin=0, ftol=-1, xtol=-1, pgtol=-1, rescale=-1, disp=None, callback=None)[源代码]#

使用截断牛顿算法，在变量受约束的情况下最小化函数。此方法封装了算法的 C 实现。

参数：
func可调用 func(x, *args)

要最小化的函数。必须执行以下操作之一：

  1. 返回 f 和 g，其中 f 是函数的值，g 是其梯度（浮点数列表）。

  2. 返回函数值，但将梯度函数单独作为 fprime 提供。

  3. 返回函数值并设置 approx_grad=True。

如果函数返回 None，则中止最小化。

x0类数组

最小值的初始估计。

fprime可调用 fprime(x, *args)，可选

func 的梯度。如果为 None，则 func 必须返回函数值和梯度（f,g = func(x, *args)），或者 approx_grad 必须为 True。

args元组，可选

传递给函数的参数。

approx_grad布尔值，可选

如果为 True，则以数值方式逼近梯度。

bounds列表，可选

x0 中每个元素的 (最小值，最大值) 对，定义该参数的边界。当该方向没有边界时，对最小值或最大值使用 None 或 +/-inf。

epsilon浮点数，可选

如果 approx_grad 为 True，则使用此值。用于 fprime 的有限差分逼近的步长。

scale类数组，可选

应用于每个变量的缩放因子。如果为 None，则对于区间有界变量，因子为 upper-lower；对于其他变量，因子为 1+|x|。默认为 None。

offset类数组，可选

从每个变量中减去的值。如果为 None，则对于区间有界变量，偏移量为 (upper+lower)/2；对于其他变量，偏移量为 x。

messages整数，可选

用于选择最小化过程中显示的消息的位掩码。在 MSGS 字典中定义的值。默认为 MGS_ALL。

disp整数，可选

消息的整数接口。0 = 无消息，5 = 所有消息

maxCGit整数，可选

每次主迭代的最大 hessian*vector 评估次数。如果 maxCGit == 0，则选择的方向为 -梯度；如果 maxCGit < 0，则 maxCGit 设置为 max(1,min(50,n/2))。默认为 -1。

maxfun整数，可选

最大函数评估次数。如果为 None，则 maxfun 设置为 max(100, 10*len(x0))。默认为 None。请注意，此函数可能会由于通过数值微分评估梯度而违反限制。

eta浮点数，可选

线搜索的严格程度。如果 < 0 或 > 1，则设置为 0.25。默认为 -1。

stepmx浮点数，可选

线搜索的最大步长。可以在调用期间增加。如果太小，则设置为 10.0。默认为 0。

accuracy浮点数，可选

用于有限差分计算的相对精度。如果 <= machine_precision，则设置为 sqrt(machine_precision)。默认为 0。

fmin浮点数，可选

最小函数值估计。默认为 0。

ftol浮点数，可选

停止条件中 f 值的精度目标。如果 ftol < 0.0，则 ftol 设置为 0.0。默认为 -1。

xtol浮点数，可选

停止条件中 x 值的精度目标（在应用 x 缩放因子之后）。如果 xtol < 0.0，则 xtol 设置为 sqrt(machine_precision)。默认为 -1。

pgtol浮点数，可选

停止条件中投影梯度的精度目标（在应用 x 缩放因子之后）。如果 pgtol < 0.0，则 pgtol 设置为 1e-2 * sqrt(accuracy)。不建议将其设置为 0.0。默认为 -1。

rescale浮点数，可选

用于触发 f 值重新缩放的缩放因子（以 log10 为单位）。如果为 0，则在每次迭代时重新缩放。如果为较大值，则永不重新缩放。如果 < 0，则 rescale 设置为 1.3。

callback可调用，可选

在每次迭代后调用，作为 callback(xk)，其中 xk 是当前参数向量。

返回：
xndarray

解。

nfeval整数

函数评估的次数。

rc整数

返回代码，请参见下文

另请参阅

minimize

用于多元函数的最小化算法的接口。请特别参阅 ‘TNC’ method。

注释

底层算法是截断牛顿法，也称为牛顿共轭梯度法。此方法与 scipy.optimize.fmin_ncg 的不同之处在于：

  1. 它封装了算法的 C 实现

  2. 它允许为每个变量设置上限和下限。

该算法通过确定下降方向（如在无约束截断牛顿中）来合并边界约束，但永远不会采用足够大的步长来离开可行 x 的空间。该算法会跟踪一组当前活动的约束，并在计算最小允许步长时忽略它们。（与活动约束关联的 x 保持固定。）如果最大允许步长为零，则会添加新的约束。在每次迭代结束时，一个约束可能被认为不再活动并被删除。如果约束当前处于活动状态，但该变量的梯度从约束内部指向，则该约束被认为不再活动。删除的特定约束是与最大索引的变量关联的约束，该变量的约束不再处于活动状态。

返回代码定义如下：

  • -1 : 不可行（下限 > 上限）

  • 0 : 到达局部最小值 (\(|pg| \approx 0\))

  • 1 : 已收敛 (\(|f_n-f_(n-1)| \approx 0\))

  • 2 : 已收敛 (\(|x_n-x_(n-1)| \approx 0\))

  • 3 : 已达到最大函数评估次数

  • 4 : 线性搜索失败

  • 5 : 所有下界都等于上界

  • 6 : 无法继续优化

  • 7 : 用户请求停止最小化

参考文献

Wright S., Nocedal J. (2006), ‘数值优化’

Nash S.G. (1984), “通过 Lanczos 方法进行牛顿型最小化”, SIAM Journal of Numerical Analysis 21, pp. 770-778

在本页