这是一个有关使用 minimize
的简单问题和答案。如果其他用户需要更具体的内容,这里有一个简单的例子。
一个广义二次方程:
In [282]: def fun(x, a,b,c):
...: return a*x**2 + b*x + c
In [283]: optimize.minimize(fun, 10, args=(1,0,0))
Out[283]:
fun: 1.7161984122524196e-15
hess_inv: array([[ 0.50000001]])
jac: array([ -6.79528891e-08])
message: 'Optimization terminated successfully.'
nfev: 15
nit: 4
njev: 5
status: 0
success: True
x: array([ -4.14270251e-08])
In [284]: optimize.minimize(fun, 10, args=(1,1,1))
Out[284]:
fun: 0.7500000000000221
hess_inv: array([[ 0.49999999]])
jac: array([ 3.12924385e-07])
message: 'Optimization terminated successfully.'
nfev: 12
nit: 2
njev: 4
status: 0
success: True
x: array([-0.49999985])
这个函数也可以接受数组作为输入,但仍需要返回一个单一的(标量)值:
In [289]: optimize.minimize(fun, [10,10,10], args=(np.array([1,2,3]), 1, 1))
Out[289]:
fun: 2.541666666667115
hess_inv: array([[ 0.50021475, -0.00126004, 0.00061239],
[-0.00126004, 0.25822101, -0.00259327],
[ 0.00061239, -0.00259327, 0.16946887]])
jac: array([ -8.94069672e-08, 4.47034836e-07, -2.20537186e-06])
message: 'Optimization terminated successfully.'
nfev: 55
nit: 9
njev: 11
status: 0
success: True
x: array([-0.50000006, -0.2499999 , -0.16666704])
In [286]: def fun(x, a,b,c):
...: return (a*x**2 + b*x + c).sum()
确保函数使用建议的x0
和参数运行是个好主意,例如:
In [291]: fun(np.array([10,10,10]), np.array([1,2,3]), 1, 1)
Out[291]: 633
如果您不能调用目标函数,或者对其参数的工作方式感到困惑,那么minimize
并不是一个万能药。这种最小化只有在您理解目标函数的基础上才有效。
functools.partial
根据特定的a、b、c
值“冻结”函数? - PM 2Ringminimize
实际上允许我传递参数。谢谢! - Nate Stemenpartial
是很好的选择,但我不熟悉 SciPy,所以只是一个建议。显然,Liteye 的回答才是正确的方式。 :) - PM 2Ring