scipy.optimize.minimize 自变量有边界的回归

本文主要是介绍scipy.optimize.minimize 自变量有边界的回归，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

已知多元函数为real_function(x0,x1,...,xn，arg1，arg2,...,argm)，arg1，arg2,...,argm为输入参数，x0,x1,...,xn是自变量，我们要知道使real_function最小的x0,x1,...,xn的一组值，在每个自变量有边界，即ai<xi<bi的条件下。

bds_ = [(a0,b0),(a1,b1),...,(an,bn)]    # 数据类型为list of tuple

def func(args):

      arg1，arg2,...,argm = args

      def real_function(x):

              ..... # 函数体

              return result

      return real_function

设自变量集合的初值：x_init = [g0,g1,...,gn],这里x_init 是自变量集合的回归初值。

args = (arg1，arg2,...,argm) # 这是函数的其他不用回归的已知的输入参数

res = minimize(func(args), x_init , method = 'SLSQP', bounds = bds_ )

得到的结果是自变量x0,x1,...,xn的一组值，它们是使得函数real_function的result最小的一组值。

 

这篇关于scipy.optimize.minimize 自变量有边界的回归的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---