scipy.optimize.fmin_tnc

scipy.optimize.fmin_tnc(func, x0, fprime=None, args=(), approx_grad=0, bounds=None, epsilon=1e-08, scale=None, offset=None, messages=15, maxCGit=- 1, maxfun=None, eta=- 1, stepmx=0, accuracy=0, fmin=0, ftol=- 1, xtol=- 1, pgtol=- 1, rescale=- 1, disp=None, callback=None)[源代码]

使用截断牛顿算法中的梯度信息，最小化变量受限的函数。此方法包装了算法的C实现。

参数
func ：可调用 func(x, *args)可调用

函数最小化。必须执行以下操作之一：

  1. 返回f和g，其中f是函数的值，g是其梯度(浮点数列表)。

  2. 返回函数值，但单独提供梯度函数为 fprime 。

  3. 返回函数值并设置 approx_grad=True 。

如果函数返回NONE，最小化将中止。

x0array_like

最低值的初步估计。

fPrime ：可调用 fprime(x, *args) ，可选可调用

渐变 func 。如果没有，则任一 func 必须返回函数值和梯度 (f,g = func(x, *args) )或 approx_grad 一定是真的。

args元组，可选

要传递给函数的参数。

approx_grad布尔值，可选

如果为true，则在数值上近似渐变。

bounds列表，可选

X0中每个元素的(最小，最大)对，定义该参数的界限。如果在该方向上没有界限，则使用None或+/-inf表示min或max之一。

epsilon浮动，可选

在Approx_grad为True时使用。fPrime的有限差分近似中的步长。

scaleARRAY_LIKE，可选

应用于每个变量的比例因子。如果没有，则区间有界变量和1+的因子为上下限 |x| 为了其他人。默认为无。

offsetARRAY_LIKE，可选

要从每个变量中减去的值。如果没有，则区间有界变量的偏移量为(Up+Low)/2，其他变量的偏移量为x。

messages整型，可选

用于选择MSGS DICT中定义的最小化值期间显示的消息的位掩码。默认为MGS_ALL。

disp整型，可选

消息的整数接口。0=无消息，5=所有消息

maxCGit整型，可选

每个主迭代的最大Hessian*向量求值次数。如果maxCGit==0，则选择的方向为-梯度。如果maxCGit<0，则将maxCGit设置为max(1，min(50，n/2))。默认为-1。

maxfun整型，可选

函数求值的最大次数。如果无，则将maxFun设置为max(100，10*len(X0))。默认为无。

eta浮动，可选

行搜索的严重程度。如果<0或>1，则设置为0.25。默认为-1。

stepmx浮动，可选

行搜索的最大步长。在呼叫过程中可能会增加。如果太小，将设置为10.0。默认为0。

accuracy浮动，可选

有限差分计算的相对精度。如果<=MACHINE_PRECISION，则设置为SQRT(MACHINE_PRECISION)。默认为0。

fmin浮动，可选

最小函数值估计。默认为0。

ftol浮动，可选

停止准则中f的值的精度目标。如果ftol<0.0，则将ftol设置为0.0，默认为-1。

xtol浮动，可选

停止标准中x的值的精度目标(在应用x比例因子之后)。如果xtol<0.0，则将xtol设置为sqrt(MACHINE_PRECISION)。默认为-1。

pgtol浮动，可选

停止标准中投影坡度值的精度目标(在应用x比例因子之后)。如果pgtol<0.0，则将pgtol设置为1e-2*sqrt(精度)。不建议将其设置为0.0。默认为-1。

rescale浮动，可选

用于触发f值重新缩放的比例因子(Log10)。如果为0，则在每次迭代时重新缩放。如果值很大，千万不要重新缩放。如果<0，则重缩放设置为1.3。

callback可调用，可选

在每次迭代后调用，作为callback(Xk)，其中xk是当前参数向量。

退货
xndarray

解决方案。

nfeval集成

函数求值的次数。

rc集成

返回代码，见下文

参见

minimize

与多变量函数的最小化算法的接口。请参阅“TNC” method 尤其是。

注意事项

其基本算法是截断牛顿，也称为牛顿共轭梯度法。此方法与scipy.Optimize.fmin_ncg的不同之处在于

  1. 它包装了算法的C实现

  2. 它允许给每个变量一个上下限。

该算法通过确定无约束截断牛顿算法中的下降方向，但不会采用足够大的步长来离开可行x的空间，从而合并了边界约束。该算法跟踪一组当前有效的约束，并在计算最小允许步长时忽略它们。(与活动约束关联的x保持不变。)如果允许的最大步长为零，则添加新的约束。在每次迭代结束时，可以认为约束之一不再有效并被移除。如果约束当前处于活动状态，但该变量的渐变从约束指向内部，则认为该约束不再处于活动状态。删除的特定约束是与约束不再有效的最大索引变量相关联的约束。

返回代码定义如下：

-1 : Infeasible (lower bound > upper bound)
 0 : Local minimum reached (|pg| ~= 0)
 1 : Converged (|f_n-f_(n-1)| ~= 0)
 2 : Converged (|x_n-x_(n-1)| ~= 0)
 3 : Max. number of function evaluations reached
 4 : Linear search failed
 5 : All lower bounds are equal to the upper bounds
 6 : Unable to progress
 7 : User requested end of minimization

参考文献

赖特·S，Nocedal J.(2006)，“数值优化”

Nash S.G.(1984)，“通过Lanczos方法的牛顿型最小化”，“SIAM数值分析杂志”，第21期，第770-778页

上一页

scipy.optimize.fmin_l_bfgs_b

下一页

scipy.optimize.fmin_cobyla