Python 使用scipy曲线拟合时，是否可以强制范围/相关函数的边界？

我有一个对数函数适合一组点

def log_func(x, a, b):
    return a * np.log(x) + b
popt, pcov = curve_fit(log_func, x, yn)

这将产生如下图-

但是，系统具有范围应固定在0和100之间的限制。我特别在这些边界上传递了点（即

x=np.array（[3200…其他点…42000]）

和

y=np.array（[0…其他点…100]）

，但显然曲线不一定固定这些值

---

我已经读到我可以给参数添加边界（所以这里是

a

和

b

），但有没有一种方法可以通过特别强制曲线通过两个端点来约束输出。或者，我是否必须对函数引入某种极端惩罚，以生成将强制结果介于0和100之间的参数？

您可以将曲线拟合问题表述为约束优化问题问题并使用

scipy.optimize.minimize

来解决它。考虑到最优

a

应为正的数据集，因此对拟合函数范围的要求相当于约束

a*np.log（3200）+b>=0

和

a*np.log（42000）+b您可以将曲线拟合问题表述为一个约束优化问题，并使用
scipy.optimize.minimize
来解决它。考虑到最优
a
应为正值的数据集，因此对拟合函数范围的要求相当于约束
a*np.log（3200）+b> =0和
a*np.log（42000）+b
from scipy.optimize import minimize


x = np.array([3200, 14500, 42000])
yn = np.array([0, 78, 100])

def LS_obj(p):
    a, b = p
    return ((log_func(x, a, b) - yn)**2).sum()

cons = ({'type': 'ineq', 'fun': lambda p: p[0] * np.log(3200) + p[1]},
        {'type': 'ineq', 'fun': lambda p: 100 -p[0] * np.log(42000) - p[1]})

p0 = [10,-100] #initial estimate 
sol = minimize(LS_obj,p0 ,constraints=cons)
print(sol.x)  #optimal parameters