本文简要介绍 python 语言中 scipy.optimize.fmin_slsqp
的用法。
用法:
scipy.optimize.fmin_slsqp(func, x0, eqcons=(), f_eqcons=None, ieqcons=(), f_ieqcons=None, bounds=(), fprime=None, fprime_eqcons=None, fprime_ieqcons=None, args=(), iter=100, acc=1e-06, iprint=1, disp=None, full_output=0, epsilon=1.4901161193847656e-08, callback=None)#
使用顺序最小二乘法最小化函数
SLSQP 优化子例程的 Python 接口函数最初由 Dieter Kraft 实现。
- func: 可调用 f(x,*args)
目标函数。必须返回一个标量。
- x0: 浮点数的一维数组
自变量的初始猜测。
- eqcons: 列表,可选
长度为 n 的函数列表,使得 eqcons[j](x,*args) == 0.0 在成功优化的问题中。
- f_eqcons: 可调用 f(x,*args),可选
返回一个一维数组,其中每个元素在成功优化的问题中必须等于 0.0。如果指定了 f_eqcons,则忽略 eqcons。
- ieqcons: 列表,可选
长度为 n 的函数列表,使得 ieqcons[j](x,*args) >= 0.0 在成功优化的问题中。
- f_ieqcons: 可调用 f(x,*args),可选
返回一个 1-D ndarray,其中每个元素在成功优化的问题中必须大于或等于 0.0。如果指定了 f_ieqcons,则忽略 ieqcons。
- bounds: 列表,可选
为每个自变量 [(xl0, xu0),(xl1, xu1),…] 指定下限和上限的元组列表 无限值将被解释为较大的浮点值。
- fprime: 可调用的f(x,*args), 可选的
计算 func 的偏导数的函数。
- fprime_eqcons: 可调用的f(x,*args), 可选的
一个 f(x, *args) 形式的函数,它返回 m × n 等式约束法行数组。如果没有提供,法线将是近似的。 fprime_eqcons 返回的数组大小应为 (len(eqcons), len(x0))。
- fprime_ieqcons: 可调用的f(x,*args), 可选的
一个 f(x, *args) 形式的函数,它返回 m × n 不等式约束法行数组。如果没有提供,法线将是近似的。 fprime_ieqcons 返回的数组的大小应为 (len(ieqcons), len(x0))。
- args: 顺序,可选
传递给 func 和 fprime 的附加参数。
- iter: 整数,可选
最大迭代次数。
- acc: 浮点数,可选
要求的准确性。
- iprint: 整数,可选
fmin_slsqp 的详细程度:
iprint <= 0:静默操作
iprint == 1:完成后打印摘要(默认)
iprint >= 2:打印每次迭代和摘要的状态
- disp: 整数,可选
覆盖 iprint 接口(首选)。
- full_output: 布尔型,可选
如果为 False,则仅返回 func 的最小化器(默认)。否则,输出最终的目标函数和摘要信息。
- epsilon: 浮点数,可选
有限差分导数估计的步长。
- callback: 可调用的,可选的
每次迭代后调用,如
callback(x)
,其中x
是当前参数向量。
- out: 浮点数
func 的最终最小化器。
- fx: 浮点数数组,如果 full_output 为真
目标函数的最终值。
- its: 整数,如果 full_output 为真
迭代次数。
- imode: 整数,如果 full_output 为真
优化器的退出模式(见下文)。
- smode: 字符串,如果 full_output 为真
说明优化器退出模式的消息。
参数 ::
返回 ::
注意:
退出模式定义如下
-1 : Gradient evaluation required (g & a) 0 : Optimization terminated successfully 1 : Function evaluation required (f & c) 2 : More equality constraints than independent variables 3 : More than 3*n iterations in LSQ subproblem 4 : Inequality constraints incompatible 5 : Singular matrix E in LSQ subproblem 6 : Singular matrix C in LSQ subproblem 7 : Rank-deficient equality constraint subproblem HFTI 8 : Positive directional derivative for linesearch 9 : Iteration limit reached
例子:
教程中给出了示例。
相关用法
- Python SciPy optimize.fmin_cobyla用法及代码示例
- Python SciPy optimize.fmin_bfgs用法及代码示例
- Python SciPy optimize.fmin_tnc用法及代码示例
- Python SciPy optimize.fmin_cg用法及代码示例
- Python SciPy optimize.fmin_powell用法及代码示例
- Python SciPy optimize.fmin用法及代码示例
- Python SciPy optimize.fminbound用法及代码示例
- Python SciPy optimize.fsolve用法及代码示例
- Python SciPy optimize.fixed_point用法及代码示例
- Python SciPy optimize.rosen_der用法及代码示例
- Python SciPy optimize.line_search用法及代码示例
- Python SciPy optimize.rosen用法及代码示例
- Python SciPy optimize.shgo用法及代码示例
- Python SciPy optimize.minimize_scalar用法及代码示例
- Python SciPy optimize.root用法及代码示例
- Python SciPy optimize.NonlinearConstraint用法及代码示例
- Python SciPy optimize.KrylovJacobian用法及代码示例
- Python SciPy optimize.toms748用法及代码示例
- Python SciPy optimize.linprog_verbose_callback用法及代码示例
- Python SciPy optimize.bracket用法及代码示例
- Python SciPy optimize.milp用法及代码示例
- Python SciPy optimize.diagbroyden用法及代码示例
- Python SciPy optimize.bisect用法及代码示例
- Python SciPy optimize.isotonic_regression用法及代码示例
- Python SciPy optimize.golden用法及代码示例
注:本文由纯净天空筛选整理自scipy.org大神的英文原创作品 scipy.optimize.fmin_slsqp。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。