fsolve从起始估计中找到(一个系统的)非线性方程的解。我可以对我的函数调用进行向量化,以便在多个起点上使用fsolve,并可能找到多个解决方案,如here所述。在this问题中,描述了如何用fsolve求解多个非线性方程。但是,我在组合两者时遇到了问题,即从多个起始值求解多个非线性方程。我知道我总是可以循环使用我的起始值并使用第二个帖子答案,但是,为了达到100000分以上,我真的想要找到一个更加pythonic(并希望更快)的解决方案。 / p>
我尝试了不同的方式,例如以下(以及其他许多方式):
from scipy.optimize import fsolve
import numpy as np
def equations(x): # x+y^2-4, sin(x)+x*y-3
ret = np.array([x[:,0]+x[:,1]**2-4, np.sin(x[:,0]) + x[:,0]*x[:,1] - 3]).T
return ret
p1 = np.array([0,0]) # first initial value
p2 = np.array([1,1]) # second initial value
x0 = np.array([p1,p2])
print(x0[0,1])
print(equations(x0))
print(fsolve(equations, x0=x0))
形状和所有工作,但fsolve
抛出:'IndexError:数组的索引太多'
我尝试了一些不同的方法,但除了使用简单的for循环之外,我无法解决任何有用的代码问题。有什么建议吗?
答案 0 :(得分:1)
使用joblib怎么样?这不是直接矢量化,但不同的起点将并行执行。
from scipy.optimize import fsolve
import numpy as np
from joblib import Parallel, delayed
def equations(x): # x+y^2-4, sin(x)+x*y-3
ret = np.array([x[0]+x[1]**2-4, np.sin(x[0]) + x[0]*x[1] - 3]).T
return ret
p1 = np.array([0,0]) # first initial value
p2 = np.array([1,1]) # second initial value
x0 = [p1, p2]
sol = Parallel(n_jobs=2)(delayed(fsolve)(equations, x0=p) for p in x0)
print(sol)
参数n_jobs
控制正在运行的并发作业数。
答案 1 :(得分:0)
def eq(x):
return x[0] + x[1]**2 - 4 , np.sin(x[0]) + x[0]*x[1] - 3
fsolve(eq, [0, 1])
output: array([ 1.23639399, 1.6624097 ])
在这种情况下,我建议使用强力方法:
x0 = [[i, j] for i, j in zip(range(10), range(10))]
for xnot in x0:
print(fsolve(eq, xnot))
[ 1.33088471e-07 2.09094320e+00]
[ 1.23639399 1.6624097 ]
[ 1.23639399 1.6624097 ]
[ 1.23639399 1.6624097 ]
[ 1.23639399 1.6624097 ]
[ 1.23639399 1.6624097 ]
[ 1.23639399 1.6624097 ]
[ 1.23639399 1.6624097 ]
[ 1.23639399 1.6624097 ]
[ 1.23639399 1.6624097 ]