Scipy 优化查找具有 14 个未知数的方程的约束答案

【问题标题】：Scipy Optimize Find Constraints of Equation with 14 unknownsScipy 优化查找具有 14 个未知数的方程的约束
【发布时间】：2021-06-13 18:45:47
【问题描述】：

我是这个库的新手，但不是 Python。我有许多有 14 个未知数的方程。我有一个数据集，其中包含 640 个方程和 14 个未知数及其目标值。我试图为这个方程找到最佳的 14 参数。当我调查“我该怎么做”时，我发现了这个库。我运行了位于页面末尾的this example，以了解其工作方式。然后我尝试实现它适合我的问题。我尝试以 650 的前 14 个方程作为开始。

def func(x):
    return [
        204 * x[13] + 180 * x[12] + 204 * x[11] + 144 * x[10] + 132 * x[9] + 132*x[8] + 108*x[7] + 144*x[6] + 30*x[5]+ 120*x[4] + 30*x[3] + 168*x[2]+   180*x[1]+   204*x[0]-66,
        72 * x[13] + 78 * x[12] + 72 * x[11] + 66 * x[10] + 60 * x[9] + 72*x[8] + 72*x[7]   +  95*x[6] +     84*x[5]+     95*x[4] + 120*x[3] +  132*x[2]+   132*x[1]+   168*x[0]-45,
        95 * x[13] + 78 * x[12] + 90 * x[11] +84 * x[10] + 66 * x[9] + 60*x[8]  + 108*x[7]  +  84*x[6] +     132*x[5]+    84*x[4] + 95*x[3] +   144*x[2]+   168*x[1]+   132*x[0]-46,
        95 * x[13] + 108 * x[12] + 108 * x[11] +120 * x[10] + 96 * x[9] + 120*x[8] + 108*x[7]   +  132*x[6] +  161*x[5]+ 120*x[4] + 144*x[3] +  168*x[2]+   161*x[1]+   204*x[0]-96,
        144 * x[13] + 90 * x[12] + 96 * x[11] +132 * x[10] + 132 * x[9] + 132*x[8] + 108*x[7]   +  96*x[6] +     108*x[5]+    132*x[4] +    161*x[3] +  180*x[2]+   216*x[1]+   240*x[0]-72,
        120 * x[13] + 30 * x[12] +  30 * x[11]  +66 * x[10] + 66 * x[9] + 84*x[8] + 216*x[7]    +  132*x[6] +  180*x[5]+ 30*x[4] +  66*x[3] +   66*x[2]+    161*x[1]+   240*x[0]-66,
        132 * x[13] + 119 * x[12] + 90 * x[11] +72 * x[10] + 96*x[9] + 96*x[8] + 119*x[7]   +  84*x[6] +     144*x[5]+    144*x[4] +    96*x[3] +   168*x[2]+   252*x[1]+   144*x[0]-24,
        180 * x[13] + 180 * x[12] + 119 * x[11] +96 * x[10] + 108*x[9] + 119*x[8] + 144*x[7]    +  168*x[6] +  66*x[5]+ 180*x[4] +  186*x[3] +  66*x[2]+    180*x[1]+   66*x[0]-61,
        42 * x[13] + 42 * x[12] + 42 * x[11] +36 * x[10] + 36*x[9]  + 36*x[8] + 54*x[7] +  60*x[6] +     48*x[5]+     30*x[4] + 54*x[3] +   54*x[2]+    60*x[1]+    72*x[0]-81,
        180 * x[13] + 180 * x[12] + 66 * x[11]  +132 * x[10] + 144*x[9] + 168*x[8] + 228*x[7]   +  168*x[6] +  216*x[5]+ 144*x[4] + 161*x[3] +  66*x[2]+    216*x[1]+   264*x[0]-114,
        119 * x[13] + 108 * x[12] + 30 * x[11]  +119 * x[10] + 108*x[9] + 108*x[8] + 95*x[7]    +  108*[6] +  95 *x[5]+  108*x[4] + 66*x[3] +   180*x[2]+   216*x[1]+   240*x[0]-90,
        95 * x[13] + 108 * x[12] + 119 * x[11] +119 * x[10] + 95*x[9] + 108*x[8] + 95*x[7]  +  144*x[6] +  228*x[5]+ 119*x[4] + 161*x[3] +  66*x[2]+    180*x[1]+   240*x[0]-46,
        100 * x[13] + 180 * x[12] + 228 * x[11] +180 * x[10] + 168*x[9] + 168*x[8] + 180*x[7]   +  120*x[6] +  240*x[5]+ 144*x[4] + 180*x[3] +  168*x[2]+   30*x[1]+    252*x[0]-115,
        95 * x[13] + 108 * x[12] + 90 * x[11] +120 * x[10] + 120*x[9] + 120*x[8] + 72*x[7]  +  144*x[6] +  168*x[5]+ 120*x[4] + 186*x[3] +  132*x[2]+   120*x[1]+   132*x[0]-95,
        ]

root = fsolve(func, (0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0))

print(root)

它会引发如下错误：

 ml, mu, epsfcn, factor, diag)
minpack.error: Result from function call is not a proper array of floats.(216,)

据我所知，没有像 108 或 206 这样的形状。为什么会出现此错误，或者如何使用此方程式数据集找到最佳参数？有人可以帮忙吗？

【问题讨论】：

标签： python numpy optimization scipy equation

【解决方案1】：

你已经写了几次216*[1]而不是216*x[1]。
这发生在从 119 到 return 语句的最后一行的 return 语句行中。

216*[1] 创建一个包含 216 个元素的列表，所有元素都等于 1。可能不是你想要的

edit：这也可能不是解决这些方程的最实用的方法。根据你的方程的形式，我会创建一个大的约束矩阵来得到一个 640x14 的矩阵。您可以放置在尺寸为 640x1 的向量中的目标值。然后您可以使用numpy.linalg.solve(A,b) 获取方程的未知参数。见numpy.linalg.solve

【讨论】：

感谢修复。我以前犯过这个错误。并修复它们。但是我在这里复制时使用了旧代码。我编辑了我的问题并更新了错误。