查看“SciPy 优化器”的源代码

{{DISPLAYTITLE:SciPy 优化器}}[[Category:SciPy 教程|5]]
= SciPy 优化器 =

SciPy 的 optimize 模块提供了常用的最优化算法函数实现，我们可以直接调用这些函数完成我们的优化问题，比如查找函数的最小值或方程的根等。

NumPy 能够找到多项式和线性方程的根，但它无法找到非线性方程的根，如下所示：

<sample title="" desc="" lang="python" hererun="1"> x + cos(x) </sample>
因此我们可以使用 SciPy 的 optimze.root 函数，这个函数需要两个参数：

* fun - 表示方程的函数。
* x0 - 根的初始猜测。

该函数返回一个对象，其中包含有关解决方案的信息。

实际解决方案在返回对象的属性 x ，查看如下实例：

查找 x + cos(x) 方程的根:

<sample title="" desc="" lang="python" hererun="1">
from scipy.optimize import root

from math import cos

def eqn(x):

  return x + cos(x)

myroot = root(eqn, 0)

print(myroot.x)

# 查看更多信息

#print(myroot)

 </sample>
执行以上代码，输出结果如下：

<sample title="" desc="" lang="python" hererun="1"> -0.73908513] </sample>
看更多信息：

<sample title="" desc="" lang="python" hererun="1">
from scipy.optimize import root

from math import cos

def eqn(x):

  return x + cos(x)

myroot = root(eqn, 0)

print(myroot)

 </sample>
执行以上代码，输出结果如下：

<sample title="" desc="" lang="python" hererun="1">
    fjac: array([[-1.]])
     fun: array([0.])
 message: 'The solution converged.'
    nfev: 9
     qtf: array([-2.66786593e-13])
       r: array([-1.67361202])
  status: 1
 success: True
       x: array([-0.73908513]) </sample>
=== 最小化函数 ===

函数表示一条曲线，曲线有高点和低点。

高点称为最大值。

低点称为最小值。

整条曲线中的最高点称为全局最大值，其余部分称为局部最大值。

整条曲线的最低点称为全局最小值，其余的称为局部最小值。

可以使用 scipy.optimize.minimize() 函数来最小化函数。

minimize() 函接受以下几个参数：

<p>fun - 要优化的函数</p>
<p>x0 - 初始猜测值</p>
<p>method - 要使用的方法名称，值可以是：'CG'，'BFGS'，'Newton-CG'，'L-BFGS-B'，'TNC'，'COBYLA'，，'SLSQP'。</p>
<p>callback - 每次优化迭代后调用的函数。</p>
<p>options - 定义其他参数的字典：</p>
<sample title="" desc="" lang="python" hererun="1"> {
     "disp": boolean - print detailed description
     "gtol": number - the tolerance of the error
} </sample>

x^2 + x + 2 使用 BFGS 的最小化函数:

<sample title="" desc="" lang="python" hererun="1">

from scipy.optimize import minimize

def eqn(x):

  return x**2 + x + 2

mymin = minimize(eqn, 0, method='BFGS')

print(mymin)

 </sample>
执行以上代码，输出结果如下：

<sample title="" desc="" lang="python" hererun="1">
      fun: 1.75
 hess_inv: array([[0.50000001]])
      jac: array([0.])
  message: 'Optimization terminated successfully.'
     nfev: 8
      nit: 2
     njev: 4
   status: 0
  success: True
        x: array([-0.50000001]) </sample>