Python scipy.optimize:使用fsolve进行多次初步猜测

Question

Scipy版本0.10.0

考虑以下:

>>> import math
>>> from scipy.optimize import fsolve
>>> import numpy as np
>>> def p(s, l, k, q):
    p = q * np.maximum(s - k, 0.0)
    return (p + math.copysign(l, -q)) * math.fabs(q) * 100.0

>>> x0 = fsolve(p, np.arange(33.86, 50.86, 1.0), args=(1.42, 41.0, -1.0), xtol=1e-06, maxfev=500)
Warning (from warnings module):
  File "C:\Python27\lib\site-packages\scipy\optimize\minpack.py", line 152
    warnings.warn(msg, RuntimeWarning)
RuntimeWarning: The iteration is not making good progress, as measured by the 
   improvement from the last ten iterations.
>>> print x0
[ -4.87169392e+05  -4.87168392e+05  -4.87167392e+05  -4.87166392e+05
  -4.87165392e+05  -4.87164392e+05  -4.87163392e+05  -4.87162392e+05
   4.24200000e+01   4.24200000e+01   4.24200000e+01   4.24200000e+01
   4.24200000e+01   4.24200000e+01   4.24200000e+01   4.24200000e+01
   4.24200000e+01]

第一个问题是如何抑制正在返回的警告信息？

第二,为什么可能首先产生这个错误(除了显而易见的,迭代没有取得良好进展:))？

最后,这个函数的根是42.42(找到了).为什么还要fzero回来-4.87e+05？

Answer 1

这样做可能会让你错过一些重要的东西,但是,为了使你可以使用的警告信息静音warnings.filterwarnings:

import warnings
warnings.filterwarnings('ignore', 'The iteration is not making good progress')
import math
from scipy.optimize import fsolve
import numpy as np
def p(s, l, k, q):
    p = q * np.maximum(s - k, 0.0)
    return (p + math.copysign(l, -q)) * math.fabs(q) * 100.0

x0 = fsolve(p, np.arange(33.86, 50.86, 1.0),
            args=(1.42, 41.0, -1.0), xtol=1e-06, maxfev=500)
print(x0)

事实上,p(x0, 1.42, 41.0, -1)并不接近于零,所以fsolve正确地警告你它找不到解决方案.

PS.当你说

fsolve(p, np.arange(33.86, 50.86, 1.0),...)

你告诉fsolve你最初的猜测s是numpy数组np.arange(33.86, 50.86, 1.0).整个数组正在传入p.

请注意,np.arange(33.86, 50.86, 1.0)长度为17,等等x0.那是因为fsolve认为它正在寻找一个长度为17的数组来解决p.

我想也许你想s成为一个漂浮物？在这种情况下,您只能为初始猜测传递一个浮点值:

fsolve(p, 41.0, args = (1.42, 41.0, -1.0), xtol=1e-06, maxfev=500)

例如,

import math
import scipy.optimize as optimize
import numpy as np

def p(s, l, k, q):
    p = q * np.maximum(s - k, 0.0)
    return (p + math.copysign(l, -q)) * math.fabs(q) * 100.0

args = (1.42, 41.0, -1.0)
result = optimize.fsolve(p, 41.0, args=args, xtol=1e-06, maxfev=500)
print(result)

产量

[ 42.42]

fsolve如果初始猜测> = 41.0(值k),那么在根上进行归零会做得不错,但是当初始猜测<41.0时失败.

我的猜测是,这是由于np.maximum许多猜测没有改变s.因此fsolve,不知道是增加还是减少s,并且容易猜错,s并且从根部越来越远.