newton_krylov#
- scipy.optimize.newton_krylov(F, xin, iter=None, rdiff=None, method='lgmres', inner_maxiter=20, inner_M=None, outer_k=10, 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 Krylov 近似逆雅可比矩阵,找到函数的根。
此方法适用于解决大规模问题。
- 参数:
- F函数(x) -> f
要查找其根的函数;应接受并返回一个类数组对象。
- xin类数组对象
解的初始猜测
- rdiff浮点数,可选
数值微分中使用的相对步长。
- method字符串或可调用对象,可选
用于近似雅可比矩阵的 Krylov 方法。可以是字符串,也可以是实现与
scipy.sparse.linalg
中迭代求解器相同接口的函数。如果是字符串,则必须是以下之一:'lgmres'
、'gmres'
、'bicgstab'
、'cgs'
、'minres'
、'tfqmr'
。- inner_maxiter整型,可选
传递给“内部”Krylov 求解器的参数:最大迭代次数。即使未达到指定的容差,迭代也将在 maxiter 步后停止。
- inner_M线性运算符或逆雅可比矩阵
内部 Krylov 迭代的预处理器。请注意,您也可以使用逆雅可比矩阵作为(自适应)预处理器。例如,
>>> from scipy.optimize import BroydenFirst, KrylovJacobian >>> from scipy.optimize import InverseJacobian >>> jac = BroydenFirst() >>> kjac = KrylovJacobian(inner_M=InverseJacobian(jac))
如果预处理器有一个名为“update”的方法,则在每个非线性步骤后,它将作为
update(x, f)
被调用,其中x
表示当前点,f
表示当前函数值。- outer_k整型,可选
LGMRES 非线性迭代中保留的子空间大小。详见
scipy.sparse.linalg.lgmres
。- inner_kwargs关键字参数
“内部”Krylov 求解器(由 method 定义)的关键字参数。参数名称必须以 inner_ 前缀开头,该前缀将在传递给内部方法之前被剥离。例如,详见
scipy.sparse.linalg.gmres
。- iter整型,可选
迭代次数。如果省略(默认),则根据需要进行迭代以满足容差。
- verbose布尔型,可选
在每次迭代时将状态打印到标准输出。
- maxiter整型,可选
最大迭代次数。如果需要更多迭代才能满足收敛条件,则会引发
NoConvergence
异常。- f_tol浮点数,可选
残差的绝对容差(最大范数)。如果省略,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
根据雅可比近似确定的绝对最小步长。如果步长小于此值,则优化成功终止。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), ‘wolfe’},可选
用于确定雅可比近似给定方向步长的线搜索类型。默认为“armijo”。
- callback函数,可选
可选的回调函数。在每次迭代时,它会作为
callback(x, f)
被调用,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(与 x0 类似的数组类型)。
- 引发:
- NoConvergence
未找到解决方案时。
另请参阅
root
多变量函数求根算法的接口。特别是请参阅
method='krylov'
。scipy.sparse.linalg.gmres
scipy.sparse.linalg.lgmres
备注
此函数实现了牛顿-Krylov 求解器。其基本思想是使用迭代 Krylov 方法计算雅可比矩阵的逆。这些方法仅需评估雅可比-向量积,这可以通过有限差分方便地近似:
\[J v \approx (f(x + \omega*v/|v|) - f(x)) / \omega\]由于使用了迭代矩阵求逆,这些方法可以处理大型非线性问题。
SciPy 的
scipy.sparse.linalg
模块提供了一系列 Krylov 求解器可供选择。这里的默认值是 lgmres,它是重启 GMRES 迭代的一种变体,它重用前一个牛顿步骤中获得的一些信息,以便在后续步骤中反转雅可比矩阵。关于牛顿-Krylov 方法的综述,例如请参阅 [1];关于 LGMRES 稀疏逆方法,请参阅 [2]。
参考文献
[1]C. T. Kelley, Solving Nonlinear Equations with Newton’s Method, SIAM, pp.57-83, 2003. DOI:10.1137/1.9780898718898.ch3
[2]D.A. Knoll and D.E. Keyes, J. Comp. Phys. 193, 357 (2004). DOI:10.1016/j.jcp.2003.08.010
[3]A.H. Baker and E.R. Jessup and T. Manteuffel, SIAM J. Matrix Anal. Appl. 26, 962 (2005). DOI:10.1137/S0895479803422014
示例
以下函数定义了一个非线性方程组
>>> def fun(x): ... return [x[0] + 0.5 * x[1] - 1.0, ... 0.5 * (x[1] - x[0]) ** 2]
解可以按如下方式获得。
>>> from scipy import optimize >>> sol = optimize.newton_krylov(fun, [0, 0]) >>> sol array([0.66731771, 0.66536458])