การหาค่าต่ำสุดของฟังก์ชันสเกลาร์เป็นปัญหาการปรับให้เหมาะสม ปัญหาการปรับให้เหมาะสมช่วยปรับปรุงคุณภาพของโซลูชัน จึงให้ผลลัพธ์ที่ดีขึ้นด้วยประสิทธิภาพที่สูงขึ้น ปัญหาการปรับให้เหมาะสมยังใช้สำหรับการปรับให้พอดีส่วนโค้ง การปรับรูท และอื่นๆ
เรามาดูตัวอย่างกัน −
ตัวอย่าง
import matplotlib.pyplot as plt
from scipy import optimize
import numpy as np
print("The function is defined")
def my_func(a):
return a*2 + 20 * np.sin(a)
plt.plot(a, my_func(a))
print("Plotting the graph")
plt.show()
print(optimize.fmin_bfgs(my_func, 0)) ผลลัพธ์
Optimization terminated successfully. Current function value: -23.241676 Iterations: 4 Function evaluations: 18 Gradient evaluations: 6 [-1.67096375]
คำอธิบาย
- นำเข้าแพ็คเกจที่จำเป็น
- มีการกำหนดฟังก์ชันที่สร้างข้อมูล
- ข้อมูลนี้ถูกพล็อตบนกราฟโดยใช้ไลบรารี matplotlib
- ถัดไป ฟังก์ชัน 'fmin_bgs' จะถูกใช้โดยการส่งผ่านฟังก์ชันเป็นพารามิเตอร์
- ข้อมูลนี้แสดงบนคอนโซล
