正如 @Dair 指出的那样,sympy的lambdify通常需要多个参数,而scipy只需要一个参数,即包含每个变量值的列表(或数组)。因为我的目标函数最方便使用sympy定义,所以我需要找到一种方法来解决sympy和scipy的不兼容性。
@lhcgeneva指出了类似问题的答案。这个答案不能方便地处理大量独立变量,特别是当独立变量的数量可以改变时,需要重新定义“向量化”版本的目标函数。然而,受到这篇文章的启发,我想出了以下使用*tuple()的解决方案:
import sympy
from scipy.optimize import minimize
from sympy.utilities.lambdify import lambdify
a,b,G = sympy.symbols('a b G')
func = -1*((G - a)**2 + b)
my_func = lambdify((G,a,b), func)
def my_func_v(x):
return my_func(*tuple(x))
results = minimize(my_func_v,[0.1,0.1,0.1])
在我给出的例子中,使用*tuple()似乎是不必要的,但对于我想解决的问题来说,它可以节省很多麻烦。这里有一个更类似于我想解决的问题的示例。
NUM_VAR = 10
x = np.array(sympy.symbols('x0:%d'
func = np.sum((x-1)**2)
my_func = lambdify(x, func)
def my_func_v(x):
return my_func(*tuple(x))
results = minimize(my_func_v,np.zeros(NUM_VAR))
这个*tuple()可以帮我避免写出像以下这样的所有x元素的代码(对于NUM_VAR=10的情况):
def my_func_v(x):
return my_func(x[0],x[1],x[2],x[3],x[4],x[5],x[6],x[7],x[8],x[9])
此外,当 NUM_VAR 改变时,我们不需要修改 my_func_v。
sympy
吗?Scipy
(而不是sympy
)处理的是数值计算,而不是符号计算... - Dairfunc = lambda x: (x[0] - x[1])**2 + x[2]
- Dair