不带导数的Python函数最小化

我熟悉scipy.optimize.optimize中的一些函数，过去曾使用fmin_cg最小化我知道导数的函数。然而，我现在有了一个不容易区分的公式

该模块中的一些功能（例如，fmin_cg）实际上不需要提供衍生产品。我假设他们通过依次给每个参数加上一个小值来计算一个quazi导数，对吗

---

我的主要问题是：当在没有给定导数的情况下最小化多个参数上的函数时，哪一个函数（或来自其他地方的函数）最适合使用？

我不太熟悉SciPy中的可用内容，但该方法（又名Nelder-Mead或Amoeba方法）通常适用于多维优化

现在看一下，它似乎可以作为

minimize（）

函数中的一个选项，使用

method='Nelder-Mead'

参数

---

不要将其与线性规划的单纯形（Dantzig）算法混淆…

我不太熟悉SciPy中的可用内容，但该方法（又名Nelder-Mead或Amoeba方法）通常适用于多维优化

现在看一下，它似乎可以作为

minimize（）

函数中的一个选项，使用

method='Nelder-Mead'

参数

---

不要将其与线性规划的单纯形（Dantzig）算法混淆…

是的，将任何

fmin\u bfgs fmin\u cg fmin\u powell

称为

fmin_xx( func, x0, fprime=None, epsilon=.001 ... )

通过

（func（x+epsilon I）-func（x））/epsilon

但是，哪一个对您的应用程序“最好”， 很大程度上取决于函数的平滑程度以及变量的数量。
普通内尔德蜂蜜酒，

fmin

，是一个不错的首选——缓慢但可靠； 不幸的是，scipy Nelder Mead从一个固定大小的单纯形开始.05/.00025，而不管x的比例

我听说

fmin\u tnc

in

scipy.optimize.tnc

很好：

fmin_tnc( func, x0, approx_grad=True, epsilon=.001 ... )  or
fmin_tnc( func_and_grad, x0 ... )  # func, your own estimated gradient

---

（fmin_tnc是~fmin_ncg，带有绑定约束，很好的消息来查看发生了什么，参数有些不同。）

是的，将任何

fmin_bfgs fmin_cg fmin_powell

称为

fmin_xx( func, x0, fprime=None, epsilon=.001 ... )

通过

（func（x+epsilon I）-func（x））/epsilon

但是，哪一个对您的应用程序“最好”， 很大程度上取决于函数的平滑程度以及变量的数量。
普通内尔德蜂蜜酒，

fmin

，是一个不错的首选——缓慢但可靠； 不幸的是，scipy Nelder Mead从一个固定大小的单纯形开始.05/.00025，而不管x的比例

我听说

fmin\u tnc

in

scipy.optimize.tnc

很好：

fmin_tnc( func, x0, approx_grad=True, epsilon=.001 ... )  or
fmin_tnc( func_and_grad, x0 ... )  # func, your own estimated gradient

---

（fmin_tnc是~fmin_ncg，有界约束，看到发生了什么的好消息，有点不同的参数。）

关于数值逼近导数（雅可比）的方法，您是正确的。我在使用

scipy.optimize.leastsq

时看到了这一点。只是好奇，你有多少变量？你对数值逼近导数（雅可比）的方法是正确的。我在使用

scipy.optimize.leastsq

时看到了这一点。只是好奇，你有多少变量？还有，作为函数，作为函数