SciPy 教程 之 SciPy 优化器 3

SciPy 教程 之 SciPy 优化器 3

SciPy 优化器

SciPy 的 optimize 模块提供了常用的最优化算法函数实现，我们可以直接调用这些函数完成我们的优化问题，比如查找函数的最小值或方程的根等。

NumPy 能够找到多项式和线性方程的根，但它无法找到非线性方程的根，如下所示：

x + cos(x)
因此我们可以使用 SciPy 的 optimze.root 函数，这个函数需要两个参数：

fun - 表示方程的函数。
x0 - 根的初始猜测。
该函数返回一个对象，其中包含有关解决方案的信息。

最小化函数

函数表示一条曲线，曲线有高点和低点。

高点称为最大值。

低点称为最小值。

整条曲线中的最高点称为全局最大值，其余部分称为局部最大值。

整条曲线的最低点称为全局最小值，其余的称为局部最小值。

可以使用 scipy.optimize.minimize() 函数来最小化函数。

minimize() 函接受以下几个参数：

fun - 要优化的函数

x0 - 初始猜测值

method - 要使用的方法名称，值可以是：'CG'，'BFGS'，'Newton-CG'，'L-BFGS-B'，'TNC'，'COBYLA'，，'SLSQP'。

callback - 每次优化迭代后调用的函数。

options - 定义其他参数的字典：

{
"disp": boolean - print detailed description
"gtol": number - the tolerance of the error
}

实例

x^2 + x + 2 使用 BFGS 的最小化函数:

from scipy.optimize import minimize

def eqn(x):
return x**2 + x + 2

mymin = minimize(eqn, 0, method='BFGS')

print(mymin)

执行以上代码，输出结果如下：

  fun: 1.75

hess_inv: array([[0.50000001]])
jac: array([0.])
message: 'Optimization terminated successfully.'
nfev: 8
nit: 2
njev: 4
status: 0
success: True
x: array([-0.50000001])