minimize(method=’CG’)

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

Minimierung einer skalaren Funktion von einer oder mehreren Variablen mithilfe des konjugierten Gradientenverfahrens.

Siehe auch

Für die Dokumentation der restlichen Parameter siehe scipy.optimize.minimize

Optionen:

——-

dispbool

Auf True setzen, um Konvergenz-Meldungen auszugeben.

maxiterint

Maximale Anzahl durchzuführender Iterationen.

gtolfloat

Die Norm des Gradienten muss kleiner als gtol sein, bevor eine erfolgreiche Beendigung erfolgt.

normfloat

Ordnung der Norm (Inf ist Maximum, -Inf ist Minimum).

epsfloat oder ndarray

Wenn jac None ist, der absolute Schrittwert, der zur numerischen Approximation des Jacobi-Matrix mittels Vorwärtsdifferenzen verwendet wird.

return_allbool, optional

Auf True setzen, um eine Liste der besten Lösungen in jeder Iteration zurückzugeben.

finite_diff_rel_stepNone oder array_like, optional

Wenn jac in ['2-point', '3-point', 'cs'] dann die relative Schrittgröße zur numerischen Approximation des Jacobians. Die absolute Schrittgröße wird berechnet als h = rel_step * sign(x) * max(1, abs(x)), möglicherweise angepasst an die Grenzen. Für jac='3-point' wird das Vorzeichen von h ignoriert. Wenn None (Standard) dann wird der Schritt automatisch ausgewählt.

c1float, Standard: 1e-4

Parameter für die Armijo-Bedingungsregel.

c2float, Standard: 0.4

Parameter für die Krümmungsbedingungsregel.

workersint, map-ähnlicher aufrufbarer Typ, optional

Ein map-ähnlicher aufrufbarer Typ, wie z.B. multiprocessing.Pool.map, zur parallelen Auswertung von numerischen Differenzierungen. Diese Auswertung erfolgt als workers(fun, iterable).

Hinzugefügt in Version 1.16.0.

Hinweise

Die Parameter c1 und c2 müssen 0 < c1 < c2 < 1 erfüllen.