Derapproximador Um módulo Python para diferenças finitas Aproximação de derivativos
Baixe Agora

Derapproximador Classificação e resumo

Derapproximador Tag

Biblioteca Python. Pitão aproximação derivados de aproximação derivados

Derapproximador Descrição

Um módulo Python para a aproximação de derivados das diferenças finitas O deraptoproximador é uma biblioteca Python para derivativos de diferenças finitas Aproximação.deradequation é um pacote pequeno, mas importante para obter / verificação de derivativos (atualmente apenas 1ª), extraído da estrutura do OpenOPT para ser o módulo Python independente. É necessário por funcdesigner (para obter derivados de oofuns além do conjunto padrão sem rotinas para produzi-los diretamente) e alguns solucionadores OpenOP (quando há algumas funções sem derivados fornecidos pelo usuário). Requisitos para o pacote (bem como para OpenOPT e Funcesigner) são numpy e python-setuptools.currently ele fornece apenas 2 funções - get_d1 e check_d1. Dois argumentos necessários para get_d1 e check_d1 são os func envolvidos e o ponto em que os derivativos devem ser obtidos / marcados. Se o usuário for fornecido Python (como ponto de partida), ele será automaticamente lançado para Array numpy. * Get_d1 retornos 1st derivados de uma função f: r ^ n -> r ^ mexample: do derapproximator Import * Imprimir get_d1 (lambda x: (x ** 2) .sum (), ) Imprimir get_d1 (lambda x: x ** 2, ) Saída esperada: * * Check_d1 verifica o roteamento fornecido pelo usuário para obter 1º derivado de um conjunto de funções: De Numpy Import * do derapproximador Import * FUNC = LAMBDA X: (X ** 4) .sum () func_d = lambda x: 40 * x ** 3x = arange (1.0, 6.0) r = check_d1 (func, func_d, x) func = lambda x: x ** 4func_d = lambda x: 40 * diag (x ** 3) x = arange (1.0, 6.0) r = sheck_d1 (func, func_d, x) saída esperada: funçam numerico fornecido pelo usuário RD0 + 4.000E + 01 + 4.000E + 0031 + 3.200e + 02 + 3.200E + 0132 + 1,080E + 03 + 1,080E + 0233 + 2.560E + 03 + 2.560E + 0234 + 5.000E + 03 + 5.000E + 023max (ABS (d_user - d_numerical)) = 4499.9999861 é registrado no func Number 4) FUNM NUM I, J: dfunc / dx Numérico fornecido pelo usuário RD00/0 + 4.000E + 01 + 4.000E + 00361/1 + 3.200E + 02 + 3.200E + 013122/2 + 1.080E + 03 + 1,080E + 023183 / 3 + 2.560E + 03 + 2.560E + 023244/4 + 5.000E + 03 + 5.000E + 023max (ABS (D_USER - D_Numerical) = 4499.9999861 (é registrado no Func Number 24) * Difint padrão é 1,5E -8, você pode sobrescrevê-lo por "diffint" argumento para get_d1 e check_d1. Outro argumento é estêncil, valor padrão 2 para derapproximador, funcdesigner e openopt nsp é 2, ie (f (x + diffint) -f (x-diffint)) / (2 * diffint), para o padrão O OpenOPT NLP é 1, ou seja, (f (x + diffint) -f (x)) / diffint.example: De Numpy Import * do derapproximator Import get_d1func = lambda x: (x ** 4) .sum () x = arange (1,0, 6.0) R1 = get_d1 (func, x, stencil = 1, diffint = 1e-5) Imprimir (R1) R2 = get_d1 (func, x, stencil = 2, difint = 1e-5) Imprimir (R2) Saída esperada: * Se acontecer que f (x + diffint) é nan (não um número) ou f (x-diffint) é nan, do que apenas um lado será envolvido cálculos. BTW Esta é uma situação típica para muitos problemas de otimização numérica, e atualmente funções aprox_fPrime e check_grad de scipy.optimize são ainda mais primitivos - eles têm apenas um estêncil e sem manuseio de nans. Requisitos: · Pitão · NUMPY.

Derapproximador Software Relacionado