scipy.optimize.

brent#

scipy.optimize.brent(func, args=(), brack=None, tol=1.48e-08, full_output=0, maxiter=500)[Quelle]#

Gibt bei einer Funktion einer Variablen und einem möglichen Intervall einen lokalen Minimierer der Funktion zurück, der auf eine relative Genauigkeit von tol isoliert ist.

Parameter:

funccallable f(x,*args): Zielfunktion.
argstuple, optional: Zusätzliche Argumente (falls vorhanden).
bracktuple, optional: Entweder ein Tripel (xa, xb, xc), das xa < xb < xc und func(xb) < func(xa) and func(xb) < func(xc) erfüllt, oder ein Paar (xa, xb), das als Startpunkte für eine abwärts gerichtete Intervallsuche verwendet wird (siehe scipy.optimize.bracket). Der Minimierer x erfüllt nicht notwendigerweise xa <= x <= xb.
tolfloat, optional: Relative Fehlertoleranz in der Lösung xopt, die für die Konvergenz akzeptabel ist.
full_outputbool, optional: Wenn True, geben Sie alle Ausgabeargumente (xmin, fval, iter, funcalls) zurück.
maxiterint, optional: Maximale Anzahl von Iterationen zur Lösungsfindung.

Rückgabe:

xminndarray: Optimaler Punkt.
fvalfloat: (Optionale Ausgabe) Optimaler Funktionswert.
iterint: (Optionale Ausgabe) Anzahl der Iterationen.
funcallsint: (Optionale Ausgabe) Anzahl der durchgeführten Auswertungen der Zielfunktion.

Siehe auch

minimize_scalar: Schnittstelle zu Minimierungsalgorithmen für skalare univariate Funktionen. Siehe insbesondere die Methode 'Brent' method.

Hinweise

Verwendet umgekehrte parabolische Interpolation, wenn möglich, um die Konvergenz der goldenen Schnittmethode zu beschleunigen.

Stellt nicht sicher, dass das Minimum im durch brack angegebenen Bereich liegt. Siehe scipy.optimize.fminbound.

Beispiele

Wir illustrieren das Verhalten der Funktion, wenn brack die Größe 2 bzw. 3 hat. In dem Fall, dass brack die Form (xa, xb) hat, können wir für die gegebenen Werte sehen, dass die Ausgabe nicht notwendigerweise im Bereich (xa, xb) liegt.

>>> def f(x):
...     return (x-1)**2

>>> from scipy import optimize

>>> minimizer = optimize.brent(f, brack=(1, 2))
>>> minimizer
1
>>> res = optimize.brent(f, brack=(-1, 0.5, 2), full_output=True)
>>> xmin, fval, iter, funcalls = res
>>> f(xmin), fval
(0.0, 0.0)