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!