scipy.optimize.

diagbroyden#

scipy.optimize.diagbroyden(F, xin, iter=None, alpha=None, verbose=False, maxiter=None, f_tol=None, f_rtol=None, x_tol=None, x_rtol=None, tol_norm=None, line_search='armijo', callback=None, **kw)#

使用對角 Broyden Jacobian 近似法，尋找函數的根。

Jacobian 近似是從先前的迭代中推導而來，僅保留 Broyden 矩陣的對角線。

警告

此演算法可能適用於特定問題，但其是否有效可能很大程度取決於問題本身。

參數:

F函數(x) -> f: 尋找根的函數；應接受並返回類陣列物件。
xin類陣列: 解的初始猜測
alpha浮點數，選用: Jacobian 的初始猜測為 (-1/alpha)。
iter整數，選用: 要進行的迭代次數。如果省略（預設），則進行達到公差所需的次數。
verbose布林值，選用: 在每次迭代時將狀態列印到 stdout。
maxiter整數，選用: 要進行的最大迭代次數。如果需要更多次才能達到收斂，則會引發 NoConvergence。
f_tol浮點數，選用: 殘差的絕對公差（以最大範數）。如果省略，預設值為 6e-6。
f_rtol浮點數，選用: 殘差的相對公差。如果省略，則不使用。
x_tol浮點數，選用: 絕對最小步長，由 Jacobian 近似法確定。如果步長小於此值，則優化將終止並視為成功。如果省略，則不使用。
x_rtol浮點數，選用: 相對最小步長。如果省略，則不使用。
tol_norm函數(向量) -> 純量，選用: 在收斂檢查中使用的範數。預設值為最大範數。
line_search{None, ‘armijo’ (預設), ‘wolfe’}，選用: 要使用哪種類型的線搜索來確定 Jacobian 近似法給定方向上的步長。預設為 ‘armijo’。
callback函數，選用: 選用的回呼函數。它在每次迭代時都會被呼叫，形式為 callback(x, f)，其中 x 是目前的解，而 f 是對應的殘差。

返回值:

solndarray: 包含最終解的陣列（與 x0 具有相似的陣列類型）。

引發:

NoConvergence: 當找不到解時。

參見

root: 多變數函數尋根演算法的介面。特別參見 method='diagbroyden'。

範例

以下函數定義了一個非線性方程式系統

>>> def fun(x):
...     return [x[0]  + 0.5 * (x[0] - x[1])**3 - 1.0,
...             0.5 * (x[1] - x[0])**3 + x[1]]

可以透過以下方式獲得解。

>>> from scipy import optimize
>>> sol = optimize.diagbroyden(fun, [0, 0])
>>> sol
array([0.84116403, 0.15883384])