Я пытаюсь согласовать данные модели (рассчитанные из eR
) с моими экспериментальными данными e_exp
. Я не совсем уверен, как передать константы и переменные в func
.
import numpy as np
import math
from scipy.optimize import curve_fit, least_squares, minimize
f_exp = np.array([1, 1.6, 2.7, 4.4, 7.3, 12, 20, 32, 56, 88, 144, 250000])
e_exp = np.array([7.15, 7.30, 7.20, 7.25, 7.26, 7.28, 7.32, 7.25, 7.35, 7.34, 7.37, 13.55])
ezero = np.min(e_exp)
einf = np.max(e_exp)
ig_fc = 500
ig_alpha = 0.35
def CCER(einf, ezero, f_exp, fc, alpha):
x = [np.log(_ / ig_fc) for _ in f_exp]
eR = [ezero + 1/2 * (einf - ezero) * (1 + np.sinh((1 - ig_alpha) * _) / (np.cosh((1 - ig_alpha) * _) + np.sin(1/2 * ig_alpha * math.pi))) for _ in x]
return eR
def func(z):
return np.sum((CCER(z[0], z[1], z[2], z[3], z[4], z[5]) - e_exp) ** 2)
res = minimize(func, (ig_fc, ig_alpha), method='SLSQP')
einf
, ezero
и f_exp
- все константы плюс переменные, которые мне нужно оптимизировать, - ig_fc
и ig_alpha
, где ig
обозначает начальное предположение.
Как я могу сделать эту работу?
Я также не уверен, какой из алгоритмов оптимизации из scipy
лучше всего подходит для моей проблемы (будь то curve_fit
, least_squares
или minimize
).