最小化(Method=‘TNC’)¶
- scipy.optimize.minimize(fun, x0, args=(), method='TNC', jac=None, bounds=None, tol=None, callback=None, options={'eps': 1e-08, 'scale': None, 'offset': None, 'mesg_num': None, 'maxCGit': - 1, 'maxiter': None, 'eta': - 1, 'stepmx': 0, 'accuracy': 0, 'minfev': 0, 'ftol': - 1, 'xtol': - 1, 'gtol': - 1, 'rescale': - 1, 'disp': False, 'finite_diff_rel_step': None, 'maxfun': None})
使用截断牛顿(TNC)算法最小化一个或多个变量的标量函数。
参见
有关参数睡觉的文档，请参阅
scipy.optimize.minimize- 选项
- eps浮动或ndarray
如果 jac is None 用于通过向前差分数值逼近雅可比的绝对步长。
- scale花车列表
应用于每个变量的比例因子。如果没有，则区间有界变量的因子为上-低，其他变量为1+|x]。默认为无。
- offset浮动
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。
- disp布尔尔
设置为True可打印收敛消息。
- maxCGit集成
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。
- maxiter整型，可选
函数求值的最大次数。此关键字受到抨击，取而代之的是 maxfun 。仅在以下情况下 maxfun IS NONE是此关键字使用的关键字。
- eta浮动
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
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
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。
- minfev浮动
最小函数值估计。默认为0。
- ftol浮动
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
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。
- gtol浮动
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gtol<0.0，则gtol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
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。
- finite_diff_rel_stepNONE或ARRAY_LIKE，可选
如果 jac in ['2-point', '3-point', 'cs'] 用于数值逼近雅可比的相对步长。绝对步长的计算公式为
h = rel_step * sign(x0) * max(1, abs(x0))，可能会进行调整以适应边界。为method='3-point'……的记号 h 被忽略。如果无(默认)，则自动选择步骤。- maxfun集成
函数求值的最大次数。如果没有， maxfun 设置为max(100，10*len(X0))。默认为无。