Python SciPy optimize.brent用法及代码示例

本文简要介绍 python 语言中 scipy.optimize.brent 的用法。

用法:

scipy.optimize.brent(func, args=(), brack=None, tol=1.48e-08, full_output=0, maxiter=500)#

给定一个由一个变量和一个可能的括号组成的函数，返回该函数的局部极小值，该函数的小数精度为 tol。

参数 ：：

func： 可调用 f(x,*args)

目标函数。

args： 元组，可选

附加参数(如果存在)。

brack： 元组，可选

满足 xa < xb < xc 和 func(xb) < func(xa) and  func(xb) < func(xc) 的三元组 (xa, xb, xc) 或一对 (xa, xb) 用作下坡括号搜索的初始点(请参阅 scipy.optimize.bracket )。最小化器 x 不一定满足 xa <= x <= xb 。

tol： 浮点数，可选

解决方案 xopt 中的相对误差对于收敛是可以接受的。

full_output： 布尔型，可选

如果为 True，则返回所有输出参数(xmin、fval、iter、funcalls)。

maxiter： 整数，可选

解决方案中的最大迭代次数。

返回 ：：

xmin： ndarray

最佳点。

fval： 浮点数

(可选输出)最优函数值。

iter： int

(可选输出)迭代次数。

funcalls： int

(可选输出)进行的目标函数评估次数。

注意：

尽可能使用反抛物线插值来加速黄金分割法的收敛。

不确保最小值位于指定的范围内布拉克.看scipy.optimize.fminbound.

例子：

我们说明函数的行为布拉克大小分别为 2 和 3。在这种情况下布拉克是这样的形式(xa, xb)，我们可以看到对于给定的值，输出不一定位于范围内(xa, xb).

>>> def f(x):
...     return (x-1)**2

>>> from scipy import optimize

>>> minimizer = optimize.brent(f, brack=(1, 2))
>>> minimizer
1
>>> res = optimize.brent(f, brack=(-1, 0.5, 2), full_output=True)
>>> xmin, fval, iter, funcalls = res
>>> f(xmin), fval
(0.0, 0.0)