Python-lmfit约束：a<；b<；C

我在Python中使用

lmfit

来拟合一些数据，包括拟合变量a、b和c。我需要确保a根据您链接到的文档的提示，

x>y

的不等式约束应转换为

x=y+something

，其中

something

的下限为0

因此，两次应用该方法，我认为这应该满足您的要求：

from lmfit import Parameters
params = Parameters()
params.add('a', value=5, vary=True)
params.add('b_minus_a', value=1,  vary=True, min=0)
params.add('c_minus_b', value=1,  vary=True, min=0)
params.add('b', expr='a + b_minus_a')
params.add('c', expr='b + c_minus_b')

---

这仍然使用了三个变量（

a

，

b_-a

，和

c_-b

），并施加了不等式约束，但需要注意的是，差异实际上可能是0。对于浮点数，这通常就足够了，但根据变量的大小，可以将0更改为类似

1的值。e-12

实际上是您想要得到的结果，或者您需要严格要求才能使用此LMFIT？我不一定需要使用LMFIT，但是我需要用最小二乘法来拟合我的数据。啊，是的，这很有意义。明天早上，当我回到我的常规计算机时，我会尝试一下。我有一个类似的情况，除了只需要将1个参数绑定为小于另一个参数外，例如b<0.2*a，但否则b应该可以自由变化，但它似乎被锁定为正是0.2*a，在这里我设置了

params.add（name=“b”，expr='0.2*a+b_减去a'）

，是因为我的配件实际上只是希望b更高，所以它会像以前一样撞到天花板，还是它实际上被限制在该值？不管乘数是多少，情况似乎都是这样，所以我怀疑它已经达到了你提到的警告。我能强迫它去探索更多吗？

from lmfit import Parameters
params = Parameters()
params.add('a', value=5, vary=True)
params.add('b_minus_a', value=1,  vary=True, min=0)
params.add('c_minus_b', value=1,  vary=True, min=0)
params.add('b', expr='a + b_minus_a')
params.add('c', expr='b + c_minus_b')