scipy.optimize.root_scalar¶

scipy.optimize.root_scalar(f, args=(), method=None, bracket=None, fprime=None, fprime2=None, x0=None, x1=None, xtol=None, rtol=None, maxiter=None, options=None)[源代码]¶

查找标量函数的根。

参数

f可调用

要查找其根的函数。

args元组，可选

传递给目标函数及其导数的额外参数。

method字符串，可选

求解器的类型。应该是

“一分为二” (see here)

“Brentq” (see here)

“布伦斯” (see here)

“骑乘” (see here)

“汤姆·748” (see here)

“牛顿” (see here)

“Sucant” (see here)

“哈雷” (see here)

括号：2个浮点数的序列，可选

用括号括起根的间隔。 f(x, *args) 两个端点必须有不同的标志。

x0浮动，可选

初步猜测是这样的。

x1浮动，可选

再猜一猜。

fprimeBool或Callable，可选

如果 fprime 是布尔值并且为True， f 假定返回目标函数和导数的值。 fprime 也可以是返回 f 。在这种情况下，它必须接受与 f 。

fprime2Bool或Callable，可选

如果 fprime2 是布尔值并且为True， f 假定返回目标函数以及一阶和二阶导数的值。 fprime2 也可以是返回 f 。在这种情况下，它必须接受与 f 。

xtol浮动，可选

终止容差(绝对)。

rtol浮动，可选

终止的容差(相对)。

maxiter整型，可选

最大迭代次数。

optionsDICT，可选

求解器选项词典。例如， k ，请参见 show_options() 有关详细信息，请参阅。

退货

solRootResults: 表示为 RootResults 对象。重要属性包括： root 解决方案是， converged 指示算法是否成功退出的布尔标志，以及 flag 它描述了终止的原因。看见 RootResults 有关其他属性的说明，请参见。

参见

show_options: 求解程序接受的其他选项
root: 求向量函数的根。

注意事项

本节介绍可通过‘method’参数选择的可用求解器。

默认情况下，将使用适用于当前情况的最佳方法。如果提供了托架，可以使用其中一种托架方法。如果指定了导数和初始值，则可以选择基于导数的方法之一。如果没有任何方法被判断为适用，它将引发异常。

示例

求一个简单立方的根

>>> from scipy import optimize
>>> def f(x):
...     return (x**3 - 1)  # only one real root at x = 1

>>> def fprime(x):
...     return 3*x**2

这个 brentq 方法将方括号作为输入

>>> sol = optimize.root_scalar(f, bracket=[0, 3], method='brentq')
>>> sol.root, sol.iterations, sol.function_calls
(1.0, 10, 11)

这个 newton 方法接受单个点作为输入，并使用导数

>>> sol = optimize.root_scalar(f, x0=0.2, fprime=fprime, method='newton')
>>> sol.root, sol.iterations, sol.function_calls
(1.0, 11, 22)

该函数可以在单个调用中提供值和导数。

>>> def f_p_pp(x):
...     return (x**3 - 1), 3*x**2, 6*x

>>> sol = optimize.root_scalar(f_p_pp, x0=0.2, fprime=True, method='newton')
>>> sol.root, sol.iterations, sol.function_calls
(1.0, 11, 11)

>>> sol = optimize.root_scalar(f_p_pp, x0=0.2, fprime=True, fprime2=True, method='halley')
>>> sol.root, sol.iterations, sol.function_calls
(1.0, 7, 8)

scipy.optimize.curve_fit

scipy.optimize.brentq