我正在尝试拟合函数y(x,T,p)以获取系数a，b，c，d，e，{ {1}}。 f，y，x，T的数据是已知的。使用全局优化程序，我想找到一个很好的起点。 p似乎是唯一接受shgo的人。
constraints有了这个，我得到import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import shgo
# test data
x = np.array([0.1,0.2,0.3,1])
T = np.array([300,300,300,300])
p = np.array([67.2,67.2,67.2,67.2])
y = np.array([30,50,55,67.2])
# function
def func(pars,x,T,p):
a,b,c,d,e,f = pars
return x*p+x*(1-x)*(a+b*T+c*T**2+d*x+e*x*T+f*x*T**2)*p
# residual
def resid(pars):
return ((func(pars,x,T,p) - y) ** 2).sum()
# constraint: derivation is positive in every data point
def der(pars):
a,b,c,d,e,f = pars
return -p*((3*f*T**2+3*e*T+3*d)*x**2+((2*c-2*f)*T**2+(2*b-2*e)*T-2*d+2*a)*x-c*T**2-b*T-a-1)
con1 = ({'type':'ineq', 'fun':der})
# minimizer shgo
bounds = [(-1,1),(-1,1),(-1,1),(-1,1),(-1,1),(-1,1)]
res = shgo(resid, bounds, constraints=con1)
print("a = %f , b = %f, c = %f, d = %f, e = %f, f = %f" % (res[0], res[1], res[2], res[3], res[4], res[5]))
# plotting
x0 = np.linspace(0, 1, 100)
fig, ax = plt.subplots()
fig.dpi = 80
ax.plot(x,y,'ro',label='data')
for i,txt in enumerate(T):
ax.annotate(txt,(x[i],y[i]))
ax.plot(x0, func(res.x, x0, 300,67.2), '-', label='fit1')
plt.xlabel('x')
plt.ylabel('y')
plt.legend()
plt.show()
我不知道该错误的含义，并且具有相同错误的其他线程并不能真正帮助我理解。当我使用本地最小化器（ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()
和方法scipy.optimize.minimize）时，不会出现错误。
有人可以帮助我理解我的问题，甚至帮助解决它吗？ 谢谢
编辑：
cobyla答案 0 :(得分：0)
问题是der返回一个数组，而不是标量值。更改
con1 = ({'type':'ineq', 'fun':der})
到
con_list = [{'type':'ineq', 'fun': lambda x: der(x)[i_out]} for i_out in range(T.shape[0])]
消除错误。这样会将der的每个输出转换成自己的不等式约束。