scipy fsolve терпит неудачу для нескольких значений на входе, и как улучшить сходимость решателя - PullRequest
Новая
       32

scipy fsolve терпит неудачу для нескольких значений на входе, и как улучшить сходимость решателя

0 голосов
/ 21 мая 2019

Я использую scipy.optimize fsolve для нахождения корней двух уравнений.fsolve хорошо работает для некоторого диапазона значений b (от 0,1 до 0,6), но не работает для таких значений, как 0,9 или 0,99.

Я попытался перейти к наименьшим квадратам или минимизировать, но получил ошибку кортежа при предоставлении начальных условий.

Включая правки, приведенные ниже, результаты будут самостоятельными: 

from scipy.optimize import fsolve
import scipy.stats as st
from numpy import *
import numpy as np



def rod(var1, var2, mu, sigma):
    return (st.lognorm.ppf(var1, s = sigma, scale = np.exp(mu), loc = sigma))/(st.lognorm.ppf(var2, s = sigma, scale = np.exp(mu), loc = sigma))
def fs_spfs(var1, mu, sigma):
    return (st.lognorm.ppf(var1, s = sigma, scale = np.exp(mu), loc = sigma))


a = 44.0
b = 0.5  #fsolve works for 0.5, 0.9, 0.99 but not for 0.95, incidentally works for 0.950001
c = 1.26

def f(x):
    y = np.zeros(2)
    y[0] = ((fs_spfs((1-b), x[0], x[1]) - a))
    y[1] = (((fs_spfs(0.9, x[0], x[1])/fs_spfs(0.1, x[0], x[1]))   - c))
    print(y)
    return y


x0 = np.array([1., 0.01])
solution = fsolve(f, x0)
print( "(x, y) = (" + str(solution[0]) + ", " + str(solution[1]) + ")")

Результаты с b = 0,5 

b = 0.5

(x, y) = (3.7821340072441982, 0.09035467410258388)

fs_spfs((1-b), solution[0], solution[1]) # expected answer = 44.
43.99999999999982

rod(0.9, 0.1, solution[0], solution[1]) # exptected answer = 1.26
1.2599999999999958

Результаты с b = 0,9 

b = 0.9

(x, y) = (3.8979025451494755, 0.09033430819655046)

fs_spfs((1-b), solution[0], solution[1]) # expected answer = 44.
43.999999999989164


rod(0.9, 0.1, solution[0], solution[1]) # exptected answer = 1.26
1.2600000000001814

Работает и для b = 0,99, но не для b = 0,95.Кстати работает для b = 0,950001

1 Ответ

0 голосов
/ 28 мая 2019

Следующее начальное условие, кажется, работает для большинства распространенных случаев: 

x0 = np.array([0.000001, 0.0000001])

Работает для значений до 0,999, по-прежнему не работает для 0,9999.

...