scipy.optimize.

linearmixing#

scipy.optimize.linearmixing(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)#

使用标量雅可比逼近法找到函数的根。

警告

此算法可能对特定问题有用，但能否奏效可能在很大程度上取决于问题。

参数:

Ffunction(x) -> f: 要查找根的函数；应该使用并返回类似数组的对象。
xinarray_like: 解的初始猜测
alphafloat, 可选: 雅可比近似为 (-1/alpha)。
iterint, 可选: 要进行的迭代次数。如果省略 (默认)，则执行满足容差所需的次数。
verbosebool, 可选: 在每次迭代中将状态打印到标准输出上。
maxiterint, 可选: 要进行的最大迭代次数。如果需要更多才能满足收敛，NoConvergence 就会引发。
f_tolfloat, 可选: 残差的绝对容差（最大范数）。如果省略，则默认为 6e-6。
f_rtolfloat, 可选: 残差的相对容差。如果省略，则不使用。
x_tolfloat, 可选: 绝对最小步长，按照雅可比近似确定。如果步长小于此值，则优化结束成功。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_normfunction(vector) -> scalar, 可选: 在收敛检查中要使用的范数。默认为最大范数。
line_search{None, ‘armijo’ (默认), ‘wolfe’}, 可选: 使用哪种线搜索来确定雅可比近似给出的方向中的步长。默认为 ‘armijo’。
callbackfunction, 可选: 可选回调函数。在每次迭代中以 callback(x, f) 的形式调用，其中 x 是当前解，f 是相应的残差。

返回:

solndarray: 一个包含最终解的数组（与 x0 类似的数组类型）。

引发:

NoConvergence: 当找不到解时。

另请参见

root: 多变量函数求根算法的界面。请特别是参阅 method='linearmixing'。