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

  1. (默认) 不会进行打印

  2. 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

  3. 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。

  4. 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