minimize(method=’COBYLA’)#
- scipy.optimize.minimize(fun, x0, args=(), method=None, jac=None, hess=None, hessp=None, bounds=None, constraints=(), tol=None, callback=None, options=None)
使用约束优化线性近似 (COBYLA) 算法最小化一个或多个变量的标量函数。此方法使用来自 PRIMA 的算法的纯 Python 实现。
另请参阅
有关其余参数的文档,请参阅
scipy.optimize.minimize
- 选项:
- ——-
- rhobeg浮点数
变量的合理初始变化。
- tol浮点数
优化中的最终精度(不精确保证)。这是信任区域大小的下限。
- disp整型
- 控制输出频率
(默认) 不会进行打印
迭代结束时会在屏幕上打印一条消息,显示找到的最佳变量向量及其目标函数值
除了 1 之外,RHO 的每个新值也会打印到屏幕上,并附带迄今为止最佳变量向量及其目标函数值。
除了 2 之外,每次函数求值及其变量也会打印到屏幕上。
- maxiter整型
函数求值的最大次数。
- catol浮点数
约束违规的容差(绝对)。
- f_target浮点数
如果目标函数小于 f_target 则停止。
1.16.0 版中更改: 原始的 Powell 实现已被 PRIMA 包中的纯 Python 版本取代,并进行了错误修复和改进。
参考文献
Zhang Z. (2023), “PRIMA: Powell 方法的现代化和改进参考实现”, https://www.libprima.net, DOI:10.5281/zenodo.8052654