Question

我尝试解决以下环境：

给定价格p = (p1, p2)，状态变量z的向量，解决最优（＆＃34;个别＆＃34;）决策F(p, z)（在离散网格上），这是一个包含F1, F2的向量。
给定常量f = (f1, f2)，找到根（＆＃34;超额需求＆＃34;）F(p, z) = f。

所以，我攻击这个问题的方式是[（Param，Grid）只包含参数等。]：

def iterateIndividual (Prices, Param, Grid):
    returns F1, F2

def computeRoots (Prices, states, Param, Grid):
    F1, F2 = iterateIndividual(Prices, Param, Grid)
    excessDemand = np.concatenate( ( (F1 - Grid.A)[..., np.newaxis], (F2 - Grid.M)[..., np.newaxis]), axis=-1)
    return excessDemand

def solveEverything(states, Grid, Param):
    from scipy.optimize import root

    guessA = ones(states.shape)
    guessM = ones(states.shape)
    #zipPrices returns object of shape `(A, B, 2)`, stacking the guesses on the third dimension
    guess = zipPrices(guessA, guessM)
    sol = root(computeExcessDemand, guess, method='krylov', options={'disp':True}, args=[states, Param, Grid])

对于解决p的每个州，应该有一个唯一的对f = F，而且它应该满足全局收敛的条件。一个问题可能是iterateIndividual产生一个离散网格，我没有插入。但是，root()告诉我

ValueError: Jacobian inversion yielded zero vector. This indicates a bug in the Jacobian approximation.

这是不幸的，因为我实际上想要使用半牛顿法（它自动逼近雅可比行列式。

使用broyden1或broyden2表示解算器从一开始就卡住了：

In[388]: sol = root(computeExcessDemand, guess, method="broyden2", options={'disp':True}, args=[states, Param, Grid])
0:  |F(x)| = 131.909; step 1; tol 0.9
1:  |F(x)| = 159.687; step 1; tol 0.9999
2:  |F(x)| = 159.687; step 1; tol 0.9
3:  |F(x)| = 159.687; step 1; tol 0.9

我该如何调试？

如何调试scipy.optimize.root（）

0 个答案: