root(method=’krylov’)

scipy.optimize.root(fun, x0, args=(), метод='hybr', jac=None, tol=None, callback=None, опции=None)

Смотрите также

Для документации по остальным параметрам см. scipy.optimize.root

Опции:

——-

nitint, необязательный

Количество итераций для выполнения. Если опущено (по умолчанию), выполняется столько, сколько требуется для достижения допусков.

dispbool, необязательно

Выводить статус в stdout на каждой итерации.

maxiterint, необязательный

Максимальное количество итераций для выполнения.

ftolfloat, опционально

Относительная погрешность для невязки. Если опущено, не используется.

fatolfloat, опционально

Абсолютная погрешность (в max-норме) для невязки. Если опущена, по умолчанию равна 6e-6.

xtolfloat, опционально

Относительный минимальный размер шага. Если опущено, не используется.

xatolfloat, опционально

Абсолютный минимальный размер шага, определяемый из приближения Якобиана. Если размер шага меньше этого, оптимизация завершается как успешная. Если опущено, не используется.

tol_normfunction(vector) -> scalar, опционально

Норма для проверки сходимости. По умолчанию используется максимальная норма.

линейный поиск{None, ‘armijo’ (по умолчанию), ‘wolfe’}, опционально

Какой тип линейного поиска использовать для определения размера шага в направлении, заданном аппроксимацией Якобиана. По умолчанию 'armijo'.

jac_optionsdict, optional

Опции для соответствующего приближения Якоби.

rdifffloat, опционально

Относительный размер шага для использования в численном дифференцировании.

методstr или callable, опционально

Метод Крылова для аппроксимации якобиана. Может быть строкой или функцией, реализующей тот же интерфейс, что и итеративные решатели в scipy.sparse.linalg. Если строка, должна быть одной из: 'lgmres', 'gmres', 'bicgstab', 'cgs', 'minres', 'tfqmr'.

Значение по умолчанию scipy.sparse.linalg.lgmres.

inner_MLinearOperator или InverseJacobian

Предобусловливатель для внутренней итерации Крылова. Обратите внимание, что вы также можете использовать обратные матрицы Якоби как (адаптивные) предобусловливатели. Например,

>>> jac = BroydenFirst()
>>> kjac = KrylovJacobian(inner_M=jac.inverse).

Если предобуславливатель имеет метод с именем ‘update’, он будет вызван как update(x, f) после каждого нелинейного шага, с x передавая текущую точку, и f текущее значение функции.

inner_rtol, inner_atol, inner_callback, …

Параметры для передачи во "внутренний" решатель Крылова.

Для полного списка опций см. документацию для используемого решателя. По умолчанию это scipy.sparse.linalg.lgmres. Если решатель был переопределен через метод, см. документацию для этого решателя. Чтобы использовать опцию для этого решателя, добавьте префикс inner_ к нему. Например, для управления rtol аргумент для решателя, установите inner_rtol опция здесь.

outer_kint, необязательный

Размер подпространства, сохраняемого между нелинейными итерациями LGMRES.

См. scipy.sparse.linalg.lgmres подробности.