DERAVOPROXIMADOR Un módulo de Python para la aproximación de derivados de diferencias finitas
Descargar ahora

DERAVOPROXIMADOR Clasificación y resumen

DERAVOPROXIMADOR Etiquetas

Biblioteca de Python Pitón aproximación aproximación de derivados derivados

DERAVOPROXIMADOR Descripción

Un módulo de Python para la aproximación de derivados de diferencias finitas. Deraproximator es una biblioteca de Python para las diferencias finitas. Derivados de derivados. La apropiadaAproximator es un paquete pequeño pero importante para obtener derivados de obtención de / verificar (actualmente 1st), extraída del marco OpenOpt para ser un módulo independiente de Python. Es requerido por FUNCDESIGNER (para obtener derivados de OOFUNS más allá del conjunto estándar sin rutinas para darles directamente) y algunos solversadores OpenOpt (cuando hay algunas funciones sin derivados suministrados por el usuario). Los requisitos para el paquete (así como para OpenOPT y FUNCDESIGNER) son NOMPY y PYTHON-SETUPTOOLS.Currentemente, proporciona solo 2 funciones: get_d1 y check_d1. Dos argumentos requeridos para GET_D1 y Check_D1 son la FUNC involucrada y el punto en que se deben obtener los derivados. Si el usuario proporciona la lista de Python (como punto de inicio), se coloca automáticamente a la matriz adormecida. * GET_D1 devuelve el 1er derivados de una FUNC F: R ^ N -> R ^ Mexample: de DerapProximator Importar * Imprimir get_d1 (lambda x: (x ** 2) .sum (), ) Imprimir get_d1 (lambda x: x ** 2, ) Salida esperada: ] * check_d1 verifica el enrutamiento provisto por el usuario para obtener 1st derivados de una función de la función: desde la importación numera * desde DerapsoProximator Importar * 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 = Aranguardia (1.0, 6.0) r = check_d1 (FUNC, FUNC_D, X) Salida esperada: FUNC NUM Numérica proporcionada por el usuario 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 ( está registrado en la FUNC número 4) FUNC NUM I, J: DFUN / DX proporcionado por el usuario 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_NUMERICO)) = 4499.9999861 (está registrado en la FUNC NUMERO 24) * OFLECT OFREST es 1.5E -8, puede sobrescribirlo por el argumento "Diffint" para get_d1 y check_d1. Otro argumento es la plantilla, el valor predeterminado 2 para Deraproximator, FUNCDESIGNER y OpenOPT NSP es 2, es decir, (F (x + diffint) -F (x-diffint) / (2 * diffint), para OpenOPT NLP predeterminado es 1, es decir, (F (x + diffint) -f (x)) / diffint.example: de la importación numera * desde Derapproximator Importar get_d1func = lambda x: (x ** 4) .sum () x = arener (1.0, 6.0) r1 = get_d1 (FUNC, X, Stencil = 1, diffint = 1e-5) Imprimir (R1) R2 = get_d1 (FUNC, X, Stencil = 2, diffint = 1e-5) Imprimir (R2) Salida esperada: * Si resulta que f (x + diffint) es NAN (no un número) o f (x-diffint) es NAN, que solo un lado estará involucrado en cálculos. Por cierto, esta es una situación típica para muchos problemas de optimización numérica, y actualmente las funciones aproximadas y Check_grad de Scipy.optimize son aún más primitivas: tienen una sola plantilla y sin manejo de NANS. Requisitos: · Python · NOMBRES

DERAVOPROXIMADOR Software relacionado