实操解析:Python scipy库中的newton_krylov函数使用指南
要查找其根的函数;应该接受并返回一个array-like 对象。
解决方案的初步猜测
用于数值微分的相对步长。
用于逼近雅可比行列式的 Krylov 方法。可以是字符串,也可以是实现与 scipy.sparse.linalg 中的迭代求解器相同接口的函数。
默认值为 scipy.sparse.linalg.lgmres 。
传递给“inner” Krylov 求解器的参数:最大迭代次数。即使没有达到指定的容差,迭代也会在 maxiter 步后停止。
内部 Krylov 迭代的预处理器。请注意,您也可以使用逆雅可比矩阵作为(自适应)预条件子。例如,
>>> from scipy.optimize.nonlin import BroydenFirst, KrylovJacobian
>>> from scipy.optimize.nonlin import InverseJacobian
>>> jac = BroydenFirst()
>>> kjac = KrylovJacobian(inner_M=InverseJacobian(jac))
如果预条件器有一个名为‘update’的方法,则在每个非线性步骤之后它将被称为update(x, f)
,其中x
给出当前点,f
给出当前函数值。
LGMRES 非线性迭代中保持的子空间大小。有关详细信息,请参阅 scipy.sparse.linalg.lgmres 。
“inner” Krylov 求解器的关键字参数(定义为方法)。参数名称必须以inner_在传递内部方法之前将被剥离的前缀。参见,例如,scipy.sparse.linalg.gmres详情。
要进行的迭代次数。如果省略(默认),则根据需要制作尽可能多的数量以满足公差。
在每次迭代时将状态打印到标准输出。
要进行的最大迭代次数。如果需要更多来满足收敛,则提出NoConvergence。
残差的绝对容差(在max-norm 中)。如果省略,默认为 6e-6。
残差的相对容差。如果省略,则不使用。
绝对最小步长,由雅可比近似确定。如果步长小于此值,则优化成功终止。如果省略,则不使用。
相对最小步长。如果省略,则不使用。
用于收敛检查的范数。默认是最大规范。
使用哪种类型的线搜索来确定雅可比近似给定方向上的步长。默认为‘armijo’。
可选的回调函数。它在每次迭代中被调用为callback(x, f)
其中x是当前的解决方案,并且f对应的残差。