scipy.optimize.

线性混合

scipy.optimize.linearmixing(F, xin, iter=None, alpha=None, verbose=False, maxiter=None, f_tol=None, f_rtol=None, x_tol=None, x_rtol=None, tol_norm=None, line_search='armijo', callback=None, **kw)

使用标量雅可比近似法找到函数的根。

警告

该算法可能对特定问题有用，但它是否有效可能很大程度上取决于问题本身。

参数:

Ffunction(x) -> f

要查找其根的函数；应接受并返回类似数组的对象。

xinarray_like

解决方案的初步猜测

alphafloat, 可选

雅可比近似是 (-1/alpha)。

iterint, 可选

要进行的迭代次数。如果省略（默认），则进行尽可能多的迭代以满足容差要求。

详细bool, 可选

在每次迭代时将状态打印到标准输出。

maxiterint, 可选

最大迭代次数。如果需要更多次数才能达到收敛，则会引发 NoConvergence。

f_tolfloat, 可选

残差的绝对容差（在最大范数中）。如果省略，默认值为 6e-6。

f_rtolfloat, 可选

残差的相对容差。如果省略，则不使用。

x_tolfloat, 可选

绝对最小步长，由雅可比近似确定。如果步长小于此值，则优化成功终止。如果省略，则不使用。

x_rtolfloat, 可选

相对最小步长。如果省略，则不使用。

tol_normfunction(vector) -> 标量, 可选

用于收敛检查的范数。默认是最大范数。

line_search{None, ‘armijo’ (默认), ‘wolfe’}, 可选

使用哪种类型的线搜索来确定由雅可比近似给出的方向中的步长。默认为 ‘armijo’。

回调函数, 可选

可选的回调函数。它在每次迭代时被调用，形式为 callback(x, f)，其中 x 是当前的解，f 是对应的残差。

返回:

solndarray

一个数组（与 x0 类型相同的数组），包含最终的解。

Raises:

NoConvergence

当未找到解决方案时。

参见

root

用于多元函数根查找算法的接口。特别参见 method='linearmixing'。