scipy.optimize.minimize参数

scipy.optimize.minimize
英文文档

scipy.optimize.minimize(fun, x0, args=(), method=None, jac=None, hess=None, hessp=None, bounds=None, constraints=(), tol=None, callback=None, options=None)
参数：

fun：要最小化的目标函数。
fun（x，*args）->float 其中x是（n，）的一维数组，args是完全指定函数所需的固定参数的元组。

x0：ndarray，shape=（n，） 大小为（n，）的实元素数组，其中“n”是自变量的数目。

args：可选。传递给目标函数及其导数（fun、jac和hess函数）的额外参数。

method：str或callable，可选
解算器的类型：
“Nelder Mead”
“Powell”
‘CG’
‘BFGS’
“Newton-CG”
‘L-BFGS-B’
“TNC”
‘COBYLA’）
“SLSQP”
“trust-constr”
“dogleg”
“trust-ncg”
“trust-exact”
“trust-krylov”
custom-自定义-一个可调用的对象（在0.14.0版中添加）
如果没有给定，则选择BFGS，L-BFGS-B，SLSQP中的一个，这取决于问题是否有约束或边界。

jac：{callable，‘2-point’，‘3-point’，cs’，bool}，可选
计算梯度向量的方法。仅适用于CG、BFGS、Newton CG、L-BFGS-B、TNC、SLSQP、dogleg、trust ncg、trust krylov、trust exact和trust Construct。
如果它是可调用的，它应该是一个返回梯度向量的函数： jac（x，*args）->array_like，shape（n，）.其中x是（n，）的数组，args是具有固定参数的元组。
如果jac是布尔值且为真，则假定fun返回objective和gradient作为（f，g）元组。“Newton CG”、“trust ncg”、“dogleg”、“trust exact”和“trust krylov”方法要求提供可调用函数，或者fun返回目标和梯度。
如果None或False，则使用绝对步长的两点有限差分估计来估计梯度。或者，关键字{‘2-point’、‘3-point’、‘cs’}可用于选择具有相对步长的梯度的数值估计的有限差分格式。这些有限差分格式服从任何指定的边界。

hess：{callable，‘2-point’，3-point’，cs’，HessianUpdateStrategy}，可选
计算Hessian矩阵的方法。只适用于Newton CG、dogleg、trust ncg、trust krylov、trust exact和trust constr。如果它是可调用的，它应该返回Hessian矩阵：
hess（x，*args）->{linearerator，spmatrix，array}，（n，n）
其中x是（n，）ndarray，args是具有固定参数的元组。lineroperator和稀疏矩阵返回只允许用于“trust constr”方法。或者，关键字{‘2-point’、‘3-point’、‘cs’}选择一个有限差分格式进行数值估计。或者，实现HessianUpdateStrategy接口的对象可以用来近似Hessian。实现该接口的可用拟牛顿方法有：
BFGS； SR1。
当用有限差分法估计梯度时，Hessian不能用选项{‘2-point’、‘3-point’、‘cs’}来估计，需要使用一种拟牛顿策略来估计。有限差分选项{‘2-point’、‘3-point’、‘cs’}和HessianUpdateStrategy仅适用于“trust constr”方法。

hessp：可调用，可选
目标函数的Hessian乘以任意向量p。仅适用于Newton CG，trust ncg，trust krylov，trust constr。只需提供一个hessp或hess。如果提供了hess，则hessp将被忽略。hessp必须计算Hessian乘以任意向量：
hessp（x，p，*args）->ndarray shape（n，）
其中x是（n，）ndarray，p是维数为（n，）的任意向量，args是具有固定参数的元组。

bounds：序列或边界，可选
L-BFGS-B、TNC、SLSQP、Powell和trust constr方法的变量边界。有两种方法可以指定边界： Bounds类的实例。
x中每个元素的（min，max）对序列。None用于指定不绑定。

constraints：{Constraint，dict}或{Constraint，dict}列表，可选 约束定义（仅适用于COBYLA、SLSQP和trust constr）。“trust constr”的约束被定义为单个对象或指定优化问题约束的对象列表。可用的约束包括： 线性约束 非线性约束
COBYLA、SLSQP的约束定义为字典列表。每个包含字段的词典：
类型：字符串 约束类型：“eq”表示相等，“ineq”表示不等式
函数：的定义约束的函数。
jac：callable，可选（只适用于SLSQP）。
argssequence，可选 传递给函数和Jacobian的额外参数。
等式约束意味着约束函数的结果是零，而不等式意味着它是非负的。注意COBYLA只支持不等式约束。

tol：可选。终止公差。对于详细的控制，请使用特定于解算器的选项。

options：dict，可选。解算器选项词典。
可以是maxiter：int。 要执行的最大迭代数。例如：{‘maxiter’: 250}
也可以是disp：布尔型。 设置为True可打印聚合消息。例如：{‘disp’: True}

callback：callable，可选。在每次迭代后调用。对于“trust constr”，它是一个可调用的签名： 回调（xk，OptimizeResult state）->bool
其中xk是当前参数向量。state是一个OptimizeResult对象，其字段与返回中的字段相同。如果回调返回True，则终止算法执行。对于所有其他方法，签名为：
回叫（xk） 其中xk是当前参数向量。 退换商品 解析结果
表示为OptimizeResult对象的优化结果。重要的属性是：x解决方案数组，success一个指示优化器是否成功退出的布尔标志，以及描述终止原因的消息。有关其他属性的说明，请参见OptimizeResult。