minimize(method=’TNC’)

scipy.optimize.minimize(fun, x0, args=(), method=None, jac=None, hess=None, hessp=None, bounds=None, constraints=(), tol=None, callback=None, options=None)

使用截断牛顿 (TNC) 算法最小化一个或多个变量的标量函数。

另请参阅

有关其余参数的文档，请参阅 scipy.optimize.minimize

选项:

——-

eps浮点型或 ndarray

如果 jac 为 None，则为通过前向差分法对雅可比矩阵进行数值逼近所使用的绝对步长。

scale浮点数列表

应用于每个变量的缩放因子。如果为 None，则对于区间有界变量，因子为 up-low；对于其他变量，因子为 1+|x]。默认为 None。

offset浮点型

从每个变量中减去的值。如果为 None，则对于区间有界变量，偏移量为 (up+low)/2；对于其他变量，偏移量为 x。

disp布尔型

设置为 True 可打印收敛消息。

maxCGit整型

每次主迭代中 hessian*向量评估的最大次数。如果 maxCGit == 0，则选择的方向为 -gradient。如果 maxCGit < 0，则 maxCGit 设置为 max(1,min(50,n/2))。默认为 -1。

eta浮点型

线搜索的严格程度。如果 < 0 或 > 1，则设置为 0.25。默认为 -1。

stepmx浮点型

线搜索的最大步长。在调用期间可能会增加。如果太小，将设置为 10.0。默认为 0。

accuracy浮点型

有限差分计算的相对精度。如果 <= machine_precision，则设置为 sqrt(machine_precision)。默认为 0。

minfev浮点型

最小函数值估计。默认为 0。

ftol浮点型

停止准则中 f 值的精度目标。如果 ftol < 0.0，ftol 将设置为 0.0。默认为 -1。

xtol浮点型

停止准则中 x 值的精度目标（应用 x 缩放因子后）。如果 xtol < 0.0，xtol 将设置为 sqrt(machine_precision)。默认为 -1。

gtol浮点型

停止准则中投影梯度值的精度目标（应用 x 缩放因子后）。如果 gtol < 0.0，gtol 将设置为 1e-2 * sqrt(accuracy)。不建议将其设置为 0.0。默认为 -1。

rescale浮点型

用于触发 f 值重新缩放的缩放因子（以 log10 为单位）。如果为 0，则在每次迭代时重新缩放。如果为大值，则从不重新缩放。如果 < 0，则重新缩放设置为 1.3。

finite_diff_rel_stepNone 或类数组对象，可选

如果 jac in ['2-point', '3-point', 'cs']，则为用于数值逼近雅可比矩阵的相对步长。绝对步长计算为 h = rel_step * sign(x) * max(1, abs(x))，可能会调整以适应边界。对于 method='3-point'，h 的符号被忽略。如果为 None（默认），则自动选择步长。

maxfun整型

函数评估的最大次数。如果为 None，maxfun 将设置为 max(100, 10*len(x0))。默认为 None。

workers整型，类 map 可调用对象，可选

一个类 map 可调用对象，例如 multiprocessing.Pool.map，用于并行评估任何数值微分。此评估以 workers(fun, iterable) 的形式执行。

新增于版本 1.16.0。