fsolve 和 numpy 的使用

Question

当我尝试使用

fsolve

或

scipy.optimize.newton

最小化我的（复杂矩阵）函数时遇到问题，但它们都不起作用。事实上，我的函数是具有复数值的 2*2 矩阵。首先，我在一个名为

real

的类中定义了我的函数，它由我的主程序调用

Main.py

:

import sys,os
import numpy as np
import random, math 
from scipy.optimize import fsolve
from scipy import optimize

class real :
    def __init__(self):
        self.w = 2

    def func1(self,eps):
        self.k_ch=2.5*np.exp(eps)
        f=np.array([[0,eps*3*self.k_ch+0.032],[0,self.w]])
        return f  

我的

Main.py

计划是：

import sys, os
import numpy as np
import random, math, cmath
from scipy.optimize import fsolve
from Carlo import *

A=real()
eps=0.003+0.0042j
C=A.func1(eps)

Cp=0
track=1e-03
variable=np.arange(track,0.1,1)
for track in variable:
    Cp=Cp+1
    
    if Cp==1:
         eps_real=0
    elif Cp==1:
         fray=np.array([Cp-1,2])
         eps_real=fray/2*3.14*track

    R_0= fsolve(C,eps.real)
    print R_0
    if xtol<=1e-04:
        value_stock= np.array([Cp-1,2])
    print 'R_0 value is', R_0

但是我收到了这个错误：

Traceback (most recent call last):
  File "Main.py", line 29, in <module>
    R_0= fsolve(C,eps.real)
  File "/System/Library/Frameworks/Python.framework/Versions/2.7/Extras/lib/python/scipy/optimize/minpack.py", line 127, in fsolve
    res = _root_hybr(func, x0, args, jac=fprime, **options)
  File "/System/Library/Frameworks/Python.framework/Versions/2.7/Extras/lib/python/scipy/optimize/minpack.py", line 183, in _root_hybr
    _check_func('fsolve', 'func', func, x0, args, n, (n,))
  File "/System/Library/Frameworks/Python.framework/Versions/2.7/Extras/lib/python/scipy/optimize/minpack.py", line 14, in _check_func
    res = atleast_1d(thefunc(*((x0[:numinputs],) + args)))
TypeError: 'numpy.ndarray' object is not callable

由于我是python初学者，所以不知道如何处理。如果您有任何想法，可以帮我吗？看起来也许

fsolve

不喜欢复杂的值，但我使用

scipy.optimize.newton

得到了同样的错误。

谢谢你。

Answer 1

fsolve 在第一个参数中需要一个函数。您提供了

C

，它是

numpy.ndarray

，而不是函数。

Answer 2

我想知道为什么你在声明你想要

fsolve

一个函数时使用

minimize

？如果您想要最小化，这个直接来自 scipy.optimize 教程的示例可能会让您走上正轨：

import numpy as np
from scipy.optimize import minimize

def rosen(x):
    """The Rosenbrock function"""
    return sum(100.0*(x[1:]-x[:-1]**2.0)**2.0 + (1-x[:-1])**2.0)

x0 = np.array([1.3, 0.7, 0.8, 1.9, 1.2])
res = minimize(rosen, x0, method='nelder-mead',
                options={'xtol': 1e-8, 'disp': True})

print(res.x)
[ 1.  1.  1.  1.  1.]