scipy-optimize相关内容
我正在尝试最小化包含我想要查找的最小化参数的三个N大小数组的函数。例如,假设为了最小化函数而要查找的参数由数组x = x[0],x[1],...,x[N-1]、a = a[0],a[1],...,a[N-1]和b = b[0],b[1],...,b[N-1]给出。此外,在该问题中,最小化边界是受约束的,约束如下: 0
..
我正在尝试用S型曲线和三次多项式来拟合我的数据(成本与收入之比),然后找出拐点/收益递减的点。 这是我到目前为止拥有的代码,适应性不是很好。任何建议都将是非常有用的,谢谢! import numpy as np import matplotlib.pyplot as plt from scipy.optimize import curve_fit def sigmoid(x, a,
..
我正在处理我的实验数据的峰值反卷积,我想生成一个Python脚本,在其中我可以轻松地改变非线性曲线拟合/峰值反卷积的方程。使用高斯曲线和线性偏移量,scipy.Optimize.curve_fit可以很好地与以下代码配合使用: def Combined(x,*params): off = Linear(x,params[0],params[1]) peak1 = Gaussi
..
背景。 我正在尝试在Math SE上编写python答案的python实现。您可能会发现以下背景知识很有用。 问题 我有一个实验设置,由三(3)个接收器和一个发射器组成,其中三(3)个接收器具有已知位置[xi, yi, zi],未知位置[x,y,z]以已知速度v发射信号。该信号在已知时间ti到达接收器。发射时间t未知。 我只想找出到达角(即发射机的极坐标theta和phi)
..
我正在尝试使用差异进化来基于成本优化可用性。但是,我这里有三个未知参数(a、b、c),我可以使用界限定义范围。但是,我想将附加约束定义为a+b+c<;=10000。我正在使用Python来实现这一点,并且我试图在差异进化中使用选项“args”,但它不起作用。如有任何信息,我们将不胜感激。 推荐答案 使用差异进化定义约束不是我上面描述的问题的合适解决方案。为此,我们可以使用具有专用选
..
我想使用 scipy.optimize 中的 root 来求解由循环创建的非线性方程组.我想用一种方法创建方程,然后用另一种方法求解.我用 sympy 创建了方程,并想用 scipy 解决它们.我的真实代码有太多循环,每次来自 scipy 的 root 都会迭代这些循环. 这是我尝试过的非常简化的版本.我用 sympy 符号创建了方程,然后我使用 lambdify 从 sympy 中取出方程
..
我收到这个简单代码的错误,问题是错误只出现在我需要的一个方程中 (78 * x**0.3 * y**0.8 - 376). 错误:在double_scalars中遇到无效值;F[0] = 78 * x**0.3 * y**0.8 - 376 如果我从第一个方程中删除 * y**0.8 ,代码运行完美,但显然它对我不起作用. 代码: 将 numpy 导入为 np从 scipy.o
..
我想找到最小化函数的参数,但出现错误.到目前为止使用 scipy.optimize.fmin 但我想为每个参数添加边界.这是我的代码 def Kou_calibration_full():我=0全局选择p0 = spo.brute(Kou_error_function, ((0.10,0.31, 0.1),(0.01,2.6, 0.5), (0.1,0.92,0.2), (1.1,20,7),(
..
我想为一些数据拟合逻辑曲线.我使用逻辑曲线的一般方程来拟合我的数据.在此处找到它. def generate_data(t, A, K, C, Q, B, v):y = A+ (K-A)*((C+Q*np.exp(-B*t))**(1/v))返回 y 这里 A、K、C、Q、B 和 v 是我想找到的变量. 我使用了 scipy.optimize.least_squares 函数来获取生成曲
..
我对 scipy 非常业余.我正在尝试在多维变量系统上使用 scipy 的 fmin 函数.为简单起见,我使用列表列表.我的数据是 12 维的,当我输入 np.shape(DATA) 时它返回 (3,2,2),我什至不确定 scipy 是否可以处理那么多维度,如果不是没有问题我可以减少它们,关键是 optimize.fmin() 函数不接受基于列表的数组作为 x0 初始参数,所以我需要帮助将 x0
..
在这篇文章之后,我现在严重怀疑R 平方 或 F-test 很好地表明了一些具有随机噪声的数据的良好线性拟合.因此,我想开发一个定制的回归函数,这样我既可以了解它的工作原理,也可以改进现有工具. 考虑这些随机生成的 ndarrays x 和 y: 将 numpy 导入为 npnp.random.seed(42)x = np.random.rand(30) * 10y = 1.5 * x +
..
错别字已修正 我需要对时间序列中的每个时间步进行最小化优化.优化根据行中不同列中的值和一系列不等式约束来设置价格. 我的数据框在 48 年的时间序列中包含以下列: ['CAPEX_TOT', 'CAPEX_R', 'CAPEX_WS', 'debt_BP', 'principal','interest','debt_service', 'debt_EP', 'OPEX', 'OPEX
..
给定输入,例如电力消耗、太阳能电池板发电量、价格(全部在给定时间 t),我们有一个电池,我们想评估它在任何给定时间应该(放电)/充电多少.问题可以表述如下: Pt = t 时刻的电价 Lt = t 时刻的电力消耗 Zt = 时间 t 的电池电量(电池中有多少) St = 时间 t 太阳能发电机产生的电力 Qt = 时间 t 时的电池电量(dis)/充电量 我们要
..
哪种优化算法适用于整数输入,浮点输出? 一个想法只是使用布伦特搜索,但是构想出一种方法,该方法可以对两个最接近的点进行插值,以伪造实数输入而不是整数输入. 我的第二个想法是,这似乎是一个普遍的需求,必须已经有一些东西要做,并且/或者是一种更适合它的算法? Bisect当然可以解决此问题,但是对于大量输入,可以缩短其收敛时间.像布伦特优化之类的混合动力会更好. https:/
..
在引入Tensorflow 2.0之后,已删除scipy接口(tf.contrib.opt.ScipyOptimizerInterface).但是,我仍然想使用scipy优化器 scipy.optimize.minimize(method ='L-BFGS-B')来训练神经网络( keras模型顺序).为了使优化器正常工作,它需要输入 fun(x0)作为函数,其中 x0 是形状(n,)的数组.因此
..
我正在尝试对一组数据进行指数拟合: 将matplotlib.pyplot导入为plt将numpy导入为np导入scipy.optimize为optdef func(x,a,b,c):返回* np.exp(x/-b)+ cepr_data = np.loadtxt('T2_text',skiprows = 1)时间= epr_data [:, 1]强度= epr_data [:, 2]优化参数,p
..
我目前正在处理论文的实验数据,并且遇到了scipy curve_fit问题. 背景 这是对LED发射的研究,其模型如下,描绘了特定LED组成/波长的吸收光谱. 模型是这样的: 基本思想是,我们获得了实验数据,我们希望对该方程进行拟合,以使我们能够最好地猜测出数据是由实验所用设备导致的垂直位移.为了获得垂直偏移,在 curve_fit 中使用的函数将采用 a + c * E
..
在使用scipy中的curve_fit参数时遇到了一个问题.我最初已经复制了文档建议的代码.然后,我稍稍更改了等式,这很好,但是增加了np.linspace,整个预测最终成为一条直线.有什么想法吗? 将numpy导入为np从scipy.optimize导入curve_fit导入matplotlib.pyplot作为pltdef f(x,a,b,c):#在较小的数字上工作正常返回(a-c)* np
..
我正在尝试使用 scipy.optimize.curve_fit 拟合一些数据.我已经阅读文档,并且此StackOverflow帖子,但似乎都无法回答我的问题. 我有一些数据这是简单的二维看起来像触发函数的数据.我想将其与一般的触发功能配合使用使用 scipy . 我的方法如下: 来自__future__进口部门的 将numpy导入为np从scipy.optimize导入curve
..
我正在尝试将衰减的指数函数拟合到现实世界的数据中.我在将函数与实际数据对齐时遇到问题. 这是我的代码: def test_func(x,a,b,c):返回a * np.exp(-b * x)* np.sin(c * x)my_time = np.linspace(0,2.5e-6,25000)p0 = [60000,700000,2841842]参数,params_covariance
..