scipy.optimize.

golden#

scipy.optimize.golden(func, args=(), brack=None, tol=1.4901161193847656e-08, full_output=0, maxiter=5000)[源代码]#

使用黄金分割法返回单变量函数的最小值。

给定一个单变量函数和一个可能的括弧区间，返回该函数的最小值，该最小值被隔离到 tol 的小数精度。

参数:

func可调用对象 func(x,*args): 要最小化的目标函数。
args元组，可选: 传递给 func 的其他参数（如果存在）。
brack元组，可选: 可以是三元组 (xa, xb, xc)，其中 xa < xb < xc 且 func(xb) < func(xa) and func(xb) < func(xc)，或一对 (xa, xb) 作为下坡括弧搜索的初始点（请参阅 scipy.optimize.bracket）。最小值 x 不一定满足 xa <= x <= xb。
tol浮点数，可选: x 容差停止标准
full_output布尔值，可选: 如果为 True，则返回可选输出。
maxiter整数: 要执行的最大迭代次数。

返回值:

xminndarray: 最佳点。
fval浮点数: （可选输出）最佳函数值。
funcalls整数: （可选输出）进行的目标函数评估次数。

另请参阅

minimize_scalar: 标量单变量函数最小化算法的接口。特别参见“Golden” 方法。

注释

使用二分法的模拟方法来减小括弧区间。

示例

我们分别说明当 brack 的大小为 2 和 3 时函数的行为。在 brack 形式为 (xa,xb) 的情况下，我们可以看到对于给定的值，输出不必一定位于 (xa, xb) 范围内。

>>> def f(x):
...     return (x-1)**2

>>> from scipy import optimize

>>> minimizer = optimize.golden(f, brack=(1, 2))
>>> minimizer
1
>>> res = optimize.golden(f, brack=(-1, 0.5, 2), full_output=True)
>>> xmin, fval, funcalls = res
>>> f(xmin), fval
(9.925165290385052e-18, 9.925165290385052e-18)