Я видел этот потрясающий пример. Но мне нужно решить систему с границами по X и F, например:
f1 = x+y^2 = 0
f2 = e^x+ xy = 0
-5.5< x <0.18
2.1< y < 10.6
# 0.15< f1 <20.5 - not useful for this example
# -10.5< f2 < -0.16 - not useful for this example
Как я могу установить эти граничные ограничения на fsolve() scipy? Или может быть есть какой-то другой метод? Не могли бы вы дать мне простой пример кода?
Это зависит от системы, но здесь вы можете просто проверить ограничения позже.
Сначала решите свою нелинейную систему, чтобы получить одно/ни одного/несколько решений в форме (x,y). Затем проверьте, какие из этих решений, если таковые имеются, удовлетворяют ограничениям.
Я надеюсь, что это послужит вам в качестве стартера. Все это было здесь.
import numpy as np
from scipy.optimize import minimize
def my_fun(z):
x = z[0]
y = z[1]
f = np.zeros(2)
f[0] = x + y ** 2
f[1] = np.exp(x) + x * y
return np.dot(f,f)
def my_cons(z):
x = z[0]
y = z[1]
f = np.zeros(4)
f[0] = x + 5.5
f[1] = 0.18 - x
f[2] = y - 2.1
f[3] = 10.6 - y
return f
cons = {'type' : 'ineq', 'fun': my_cons}
res = minimize(my_fun, (2, 0), method='SLSQP',\
constraints=cons)
res
status: 0
success: True
njev: 7
nfev: 29
fun: 14.514193585986144
x: array([-0.86901099, 2.1 ])
message: 'Optimization terminated successfully.'
jac: array([ -2.47001648e-04, 3.21871972e+01, 0.00000000e+00])
nit: 7
РЕДАКТИРОВАТЬ: В ответ на комментарии: если значения вашей функции f1 и f2 не равны нулю, вам просто нужно переписать уравнения, например:
f1 = -6 и f2 = 3
Ваша функция минимизации будет:
def my_fun(z):
x = z[0]
y = z[1]
f = np.zeros(2)
f[0] = x + y ** 2 + 6
f[1] = np.exp(x) + x * y -3
return np.dot(f,f)
f[0] = 0 and f[1] = 0. Вы можете написать любую систему уравнений так, чтобы невязка была равна нулю.
- person Moritz; 22.05.2015
f1=0 и f2=0
- person Moritz; 22.05.2015
f1 = 0при наличии ограниченияf1 > 0.15? - person cfh schedule 21.05.2015