lmfit и scipy curve_fit возвращают начальные предположения как наиболее подходящие параметры

У меня есть две идеи, и я думаю, что первая, вероятно, ваша виновница.

1. Мне кажется, что использование nan_policy = 'omit' работает в очень конкретных случаях. Если вы получите сообщение об ошибке "nan_policy = 'omit', вероятно, не будет работать" при попытке подгонки, что ж, вероятно, это не сработает. Вы можете выполнить простую проверку значений NaN, чтобы убедиться, что функция выводит значения NaN для вашего интервала.
2. Границы переменных огромны. Попробуйте поднять минимум интервалов.

Без реальных данных и полного примера очень сложно догадаться, что может пойти не так. Итак, это будет включать несколько советов о том, как подойти к проблеме.

Во-первых: поскольку вы выполняете подгонку кривой и имеете функцию модели, я рекомендую начать со второй версии, используя lmfit.Model. Но я бы предложил явно создать набор параметров, например:

from lmfit import Model
def A(t, gamma, Rp, Rs, a, orb_inclination, Rin, Rout):  
    Alpha = np.zeros(len(t))
    Xp, Zp = planetary_position(t, a, orb_inclination)
    values_rho = rho(Xp, Zp, Rs)
    v_W11 = W11(Xp,Zp, gamma, Rs)
    v_W11 = pd.Series(v_W11)
    v_zeta = zeta(Xp,Zp, gamma,Rs)
    v_zo = zo(Xp, Zp, gamma,Rs)
    v_W3 = W3(Xp,Zp, gamma,Rs)
    for i in range(len(values_rho)):
        Alpha[i]=np.where(values_rho[i]<1-gamma, np.pi*gamma**2*(1-u1-u2*(2-values_rho[i]**2-gamma**2/2)+(u1+2*u2)*v_W11[i] ) ,  np.where(((1-gamma<=values_rho[i]) and (values_rho[i]<=1+gamma)),  (1-u1-3*u2/2)*(gamma**2*np.arccos(v_zeta[i]/gamma)+np.arcsin(v_zo[i])-values_rho[i]*v_zo[i])+(u2/2)*values_rho[i]*((values_rho[i]+2*v_zeta[i])*gamma**2*np.arccos(v_zeta[i]/gamma) -v_zo[i]*(values_rho[i]*v_zeta[i]+2*gamma**2))+(u1+2*u2)*v_W3[i]    , 0)) 
    return Alpha

model = Model(model)
params = model.make_params(Rp=4.5*10**9, Rs=4.3*10**10, 
                           a=1.4*10**13, orb_inclination=1.2, 
                           Rin=4.5*10**9, Rout=13.5*10**9, tau=1)
result = gmodel.fit(y, params, t=t)
print(result.fit_report())

Само по себе это не решит проблему, но ясность имеет значение. Но вы можете вызвать эту функцию модели самостоятельно или сделать

  gmodel.eval(params, t=t)

и посмотрите, что он фактически вычисляет для любого набора значений параметров.

Во-вторых: вы должны быть осторожны с переменными в задаче подбора, которые охватывают много порядков. Пусть переменные будут больше похожи на порядок 1 (или, точнее, между порядком 1.e-6 и 1.e6), а затем умножьте их на множители 1e9 или 1e12 в зависимости от ситуации - или просто работайте в единицах со значениями, близкими к 1. Числа подгонки - все в формате с плавающей запятой двойной точности, и относительные значения параметров имеют значение.

Третье: функция вашей модели, ага. Подсчет читаемости. Написание непонятной функции никому не помогает. Включая тебя. Я гарантирую, что вы не знаете, что это значит. Например, вы могли бы избежать цикла и просто использовать ufunc-ness numpy, но это невозможно сказать. И чтобы было ясно, это невозможно сказать, потому что вы написали это так. Как, черт возьми, должны быть u1 и u2? На самом деле этой функции не было, и вы написали полный бардак, а потом что-то пошло не так.

Итак: напишите свою модельную функцию, как если бы вы ожидали ее прочитать в следующем году, а затем проверьте, что она вычисляет, с разумными входными значениями. Когда это сработает, подгонка тоже должна подойти.

Решил проблему уменьшением количества параметров. Еще одна проблема заключалась в том, что один из параметров вообще не влиял на подгонку.