У меня есть проблема с линейной алгеброй, для которой я не могу найти правильную функцию; Мне нужно найти вектор x, который удовлетворяет Ax = b. Поскольку a не квадрат (есть 5 столбцов и что -то вроде 37 строк), np.linalg.solve (a, b) не будет работать - большинство результатов поиска, которые я видел, указали мне на np.linalg. LSTSQ вместо, или scipy.optimize.nnls , если x должен быть строго не отслеживающим (что я хочу).
Проблема заключается в том, что мне также нужно добавить ограничение, что полученный топор должен быть строго большим, чем или-равным к B; то есть ни один элемент топора не может быть меньше, чем соответствующий элемент b. Это то, что я сейчас делаю: < /p>
import numpy as np
import scipy
v1 = np.array([0.00000961,0.0000011,0.0000011,0.000015,0.00000884,0.00000286,0,0.00000006,0,0.000196,0,0.0000071,0.000000023,0.000131,0.00038,0,0,0.00000161,0,0,0.0000069,0.00027,0.000005,0,0,0.00054,0.00475,0.000000002,0.00036,0.0000032,0,0,0.033,0.0015,0.02,0.00052,0.207]).T
v2 = np.array([0,0.0000064,0.00000135,0.000121,0.0000177,0.00000348,0,0.00000006,0,0,0,0.0000833,0,0.000525,0.00062,0,0,0.0000114,0,0,0.0000458,0.00168,0.0000193,0,0,0.00376,0.00705,0.000000072,0.00018,0.0000327,0,0,0.085,0.492,0.258,0.0628,0.161]).T
v3 = np.array([0,0.000009,0.00000193,0.0000196,0.00000899,0,0,0.00000444,0,0,0,0.0000021,0.000000056,0.000664,0.00123,0,0,0.00000841,0,0,0.0000502,0.00171,0.0000106,0,0,0.00352,0.0148,0.000000032,0.00005,0.0000365,0,0,0.155,0.0142,0.216,0.00366,0.624]).T
v4 = np.array([0,0.00000763,0.00000139,0.00000961,0.0000135,0.00000119,0,0.00000056,0,0,0,0,0,0,0.00054,0,0,0.00000626,0,0,0.0000472,0.00177,0.0000492,0,0,0.00523,0.00429,0,0.00002,0.0000397,0,0,0.106,0.069,0.169,0.0122,0.663]).T
v5 = np.array([0.00000241,0.00000113,0.00000347,0.0000118,0.0000037,0.00000147,0,0.00000062,0,0.000934,0,0,0,0.000005,0.00254,0,0,0.00000053,0,0,0.000016,0.00033,0.0000092,0,0,0.00055,0.00348,0,0.00053,0.0000039,0,0,0.041,0.0149,0.0292,0.00178,0.0442]).T
b = np.array([0.00657,0.00876,0.00949,0.1168,0.0365,0.01241,0.000219,0.00292,0,0.657,0.000146,0.1095,0.000876,4.015,8.76,16.79,0.0002555,0.00657,0.0292,0.001095,0.0584,3.066,0.01679,0.0003285,0,5.11,24.82,0.0004015,10.95,0.0803,0,0.00219,204.4,569.4,365,146,2007.5]).T
A = np.column_stack((v1,v2,v3,v4,v5))
result = scipy.optimize.nnls(A,b)
x = result[0][:,None] # Force to be column array; the A @ x step doesn't seem to work if I don't do this
# https://stackoverflow.com/questions/64869851/converting-numpy-array-to-a-column-vector
lsq = A @ x # result is a column vector
diff = lsq.T - b # b is still technically a row vector, so lsq has to be converted back to a row vector for dimensions to match
print(diff)
if ax> = b, то все элементы diff (= ax - b) должны быть положительными (или 0). Вместо этого я получаю то, что некоторые элементы Diff отрицательны.
Есть ли какая -либо функция, которую можно использовать для усиления ограничения Ax> = b?
(контекст того, почему это ограничение должно быть наложено, состоит в том, что кодирует количество витаминов/минералов/макронутриентов (строк) в 5 различных продуктах (столбцы), а B - общее количество каждого питательного вещества, которое имеет быть употребляемым, чтобы избежать дефицита питания.)
У меня есть проблема с линейной алгеброй, для которой я не могу найти правильную функцию; Мне нужно найти вектор x, который удовлетворяет Ax = b. Поскольку a не квадрат (есть 5 столбцов и что -то вроде 37 строк), np.linalg.solve (a, b) не будет работать - большинство результатов поиска, которые я видел, указали мне на np.linalg. LSTSQ вместо, или scipy.optimize.nnls , если x должен быть строго не отслеживающим (что я хочу). Проблема заключается в том, что мне также нужно добавить ограничение, что полученный топор должен быть строго большим, чем или-равным к B; то есть ни один элемент топора не может быть меньше, чем соответствующий элемент b. Это то, что я сейчас делаю: < /p> [code]import numpy as np import scipy
b = np.array([0.00657,0.00876,0.00949,0.1168,0.0365,0.01241,0.000219,0.00292,0,0.657,0.000146,0.1095,0.000876,4.015,8.76,16.79,0.0002555,0.00657,0.0292,0.001095,0.0584,3.066,0.01679,0.0003285,0,5.11,24.82,0.0004015,10.95,0.0803,0,0.00219,204.4,569.4,365,146,2007.5]).T
A = np.column_stack((v1,v2,v3,v4,v5))
result = scipy.optimize.nnls(A,b)
x = result[0][:,None] # Force to be column array; the A @ x step doesn't seem to work if I don't do this # https://stackoverflow.com/questions/64869851/converting-numpy-array-to-a-column-vector
lsq = A @ x # result is a column vector diff = lsq.T - b # b is still technically a row vector, so lsq has to be converted back to a row vector for dimensions to match print(diff) [/code] if ax> = b, то все элементы diff (= ax - b) должны быть положительными (или 0). Вместо этого я получаю то, что некоторые элементы Diff отрицательны. Есть ли какая -либо функция, которую можно использовать для усиления ограничения Ax> = b? (контекст того, почему это ограничение должно быть наложено, состоит в том, что кодирует количество витаминов/минералов/макронутриентов (строк) в 5 различных продуктах (столбцы), а B - общее количество каждого питательного вещества, которое имеет быть употребляемым, чтобы избежать дефицита питания.)
У меня есть проблема с линейной алгеброй, для которой я не могу найти правильную функцию; Мне нужно найти вектор x, который удовлетворяет Ax = b. Поскольку a не квадрат (есть 5 столбцов и что -то вроде 37 строк), np.linalg.solve (a, b) не будет...
У меня есть проблема с линейной алгеброй, для которой я не могу найти правильную функцию; Мне нужно найти вектор x, который удовлетворяет Ax = b. Поскольку a не квадрат (есть 5 столбцов и что -то вроде 37 строк), np.linalg.solve (a, b) не будет...
У меня есть крупномасштабная неограниченная нелинейная задача наименьших квадратов с примерно 300 000 остатками и 300 параметрами. Интересно, какой метод быстрее и точнее ее решить: scipy.optimize.minimize или scipy.optimizy.least_squares?
У меня есть множество данных $ x $. Я хочу найти наименьшее количество квадратов в размере $ x $ to $ y_i = \ sum_ {k = 0}^m a_k \ sin (2 \ pi \ frac {b_k} {s} i+c)+d $, где A_k> = 0, l_k
У меня есть массив данных x. Я хочу найти наименьшее количество квадратов от x до yᵢ = σₖ₌₀ᵐ aₖ sin (2π bₖ/s*i+c)+d, где aₖ≥0, lₖ≤bₖ ≤uₖ, 0≤c≤2π-0.1 (Таким образом, нам не придется иметь дело с граничными условиями) и -∞≤d≤∞. S и M известны...
Мобильная версия