Python 收敛于极小值

下面的代码假设给我函数达到其最小值的两个变量的最小值。但是，当我运行它时，我经常无法获得正确的值，并出现以下错误：

tnc：达到的最大功能评估数

我想问题是程序收敛速度不够快。我怎样才能解决这个问题？（我给出的值尽可能接近我预期的初始参数）

将numpy导入为np
从scipy.optimize导入最小化
从随机输入高斯
从matplotlib导入pyplot作为plt
从scipy.stats导入norm
输入数学
值=[]
而len（值）<10000：
数值=高斯（10,20）
如果-100<值<100：
values.append（值）
n、 容器，补丁=plt.hist（值50，facecolor='green'）
x=np.arange（-100100,0.01）
料仓宽度=料仓[5]-料仓[4]
中心=[]
错误=[]
对于范围内的i（len（n））：
中心=中心+[（2个箱子[i]+箱子宽度）/2]
error=error+[np.sqrt（n[i]）]
def高斯（x，μ，σ，范数）：
f=范数*1/np.sqrt（2*np.pi）*1/sigma*np.exp（-（x-mu）**2/2/sigma**2）
返回f
类def（x）：
f=0
对于范围内的i（len（n））：
f=f-（np.log（1/np.sqrt（2*np.pi））+0.5*np.log（1/（x[1]**2））-（n[i]-高斯（中心[i]，x[0]，x[1]，x[2]）**2/（2*x[1]**2））
返回f
初始值=np.数组（[10,20,159681]）
res=minimize（比如，initial_val，method='TNC'，bounds=（（1，None），（1，None），（1，None）），options={'xtol'：1e-8，'disp'：True}）
mu=res.x[0]
西格玛=res.x[1]
norm=res.x[2]
x_轴=np.arange（-100100,0.01）
y=标准*1/np.sqrt（2*np.pi）*1/sigma*np.exp（-（x-mu）**2/2/sigma**2）
平面图（x，y）
如果（关于成功）：
打印“是”
其他：
打印“否”
打印res.x
plt.show（）

在退出之前，它要进行多少次迭代？当最小化时，可以考虑传递一个

maxiter

参数。例如，

options={'xtol'：1e-8，'disp'：True，'maxiter'：1000}

。也可以考虑设置<代码>界限< /代码>parameter@Ryan我使用了MaxIt，它似乎不再给我这个错误，但现在我得到了：TNC：线性搜索故障编辑可能会考虑将<代码>回调< /代码>参数设置为自定义函数，打印出正在发生的事情。（当前参数向量和相应的目标函数结果）在每次迭代后；这可能有助于故障排除/参数修改

import numpy as np
from scipy.optimize import minimize
from random import gauss
from matplotlib import pyplot as plt
from scipy.stats import norm
import math

values = []
while len(values) < 10000:
    value = gauss(10, 20)
    if -100 < value < 100:
        values.append(value)

n, bins, patches = plt.hist(values, 50, facecolor='green')
x=np.arange(-100,100,0.01)
binWidth=bins[5]-bins[4]
centre=[]
error=[]
for i in range(len(n)):
    centre=centre+[(2 * bins[i] + binWidth) / 2]
    error = error + [np.sqrt(n[i])]

def gauss(x, mu, sigma, norm):
    f = norm * 1 / np.sqrt(2 * np.pi) * 1 / sigma * np.exp(-(x - mu) ** 2 / 2 / sigma ** 2)
    return f

def like(x):
    f = 0
    for i in range(len(n)):
        f = f - (np.log(1 / np.sqrt(2 * np.pi)) + 0.5 * np.log(1 / (x[1] ** 2)) - (n[i] - gauss(centre[i], x[0], x[1], x[2])) ** 2 / (2 * x[1] **2))
    return f

initial_val = np.array([10, 20, 159681])

res = minimize (like,initial_val, method='TNC', bounds=((1, None), (1, None),(1, None)), options={'xtol': 1e-8, 'disp': True})

mu = res.x[0]
sigma = res.x[1]
norm = res.x[2]
x_axis = np.arange(-100, 100, 0.01)
y = norm * 1 / np.sqrt(2 * np.pi) * 1 / sigma * np.exp(-(x - mu) ** 2 / 2 / sigma ** 2)
plt.plot(x, y)

if(res.success):
    print "YES"
else:
    print "NO"
print res.x
plt.show()