scipy.optimize.

fmin_powell#

scipy.optimize.fmin_powell(func, x0, args=(), xtol=0.0001, ftol=0.0001, maxiter=None, maxfun=None, full_output=0, disp=1, retall=0, callback=None, direc=None)[源代码][源代码]#

使用修正的Powell方法最小化一个函数。

此方法仅使用函数值，不使用导数。

参数:
函数可调用函数 f(x,*args)

要最小化的目标函数。

x0ndarray

初始猜测。

参数tuple, 可选

传递给 func 的额外参数。

xtolfloat, 可选

线搜索误差容限。

ftolfloat, 可选

func(xopt) 中的相对误差可接受以实现收敛。

maxiterint, 可选

要执行的最大迭代次数。

maxfunint, 可选

最大函数评估次数。

完整输出bool, 可选

如果为真，则返回 fopt、xi、direc、iter、funcalls 和 warnflag。

dispbool, 可选

如果为真，打印收敛消息。

retallbool, 可选

如果为真，返回每次迭代时的解列表。

回调可调用，可选

一个可选的用户提供的函数，在每次迭代后调用。调用方式为 callback(xk)，其中 xk 是当前的参数向量。

direcndarray，可选

初始拟合步骤和参数顺序设置为一个 (N, N) 数组，其中 N 是 x0 中的拟合参数数量。默认为步长 1.0 同时拟合所有参数（np.eye((N, N))）。要防止在步骤中初始考虑值或更改初始步长，请在 M 块的第 J 个位置设置为 0 或所需步长，其中 J 是 x0 中的位置，M 是所需的评估步骤，步骤按索引顺序评估。随着最小化的进行，步长和顺序将自由变化。

返回:
xoptndarray

最小化 func 的参数。

fopt数字

函数在最小值处的值：fopt = func(xopt)。

direcndarray

当前方向已设定。

iter整数

迭代次数。

函数调用整数

函数调用的次数。

警告标志整数
整数警告标志：

1 : 函数评估的最大次数。 2 : 最大迭代次数。 3 : 遇到 NaN 结果。 4 : 结果超出提供的界限。

allvecs列表

每次迭代的解决方案列表。

参见

minimize

用于多变量函数无约束最小化算法的接口。特别参见’Powell’方法。

注释

使用 Powell 方法的修改版来找到 N 变量函数的极小值。Powell 方法是一种共轭方向方法。

该算法有两个循环。外循环仅迭代内循环。内循环在方向集中的每个当前方向上进行最小化。在内循环结束时，如果满足某些条件，则给出最大减少的方向将被丢弃，并替换为当前估计的 x 与内循环开始时的估计 x 之间的差异。

替换最大增加方向的技术条件相当于检查

  1. 从该迭代中，沿最大增加方向无法再获得进一步的增益。

  2. 在函数值从内循环的该次迭代中减少的方向上，最大增加的方向占据了足够大的比例。

参考文献

Powell M.J.D. (1964) 一种在不计算导数的情况下寻找多元函数最小值的有效方法，计算机杂志，7 (2):155-162。

Press W., Teukolsky S.A., Vetterling W.T., and Flannery B.P.: Numerical Recipes (任意版本), Cambridge University Press

示例

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

>>> from scipy import optimize

>>> minimum = optimize.fmin_powell(f, -1)
Optimization terminated successfully.
         Current function value: 0.000000
         Iterations: 2
         Function evaluations: 16
>>> minimum
array(0.0)
On this page