Question

当我尝试使用fsolve或scipy.optimize.newton最小化我的（复杂矩阵）函数时，我有一个issu但是它们都没有用。实际上，我的函数是具有复杂值的2 * 2矩阵。首先，我在一个名为real（）的类i中定义了我的函数，它由我的主程序MAin.py调用：

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

我的主要计划是：

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的新手，我不知道如何处理它。如果您有任何想法，请帮助我。似乎fsolve可能不喜欢复杂的值，但我使用scipy.optimize.newton得到了相同的错误。

谢谢。

Answer 1

fsolve在第一个参数中需要一个函数。您提供的C是numpy.ndarray，而不是函数。

Answer 2

我想知道为什么在你声明想要fsolve函数时使用minimize？如果最小化是你想要的，直接来自scipy.optimize tutorial的这个例子可能会让你走上正轨：

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.]

使用fsolve和numpy

2 个答案: