Der Unbekunderstator Ein Python-Modul für Finite-Unterschiede Derivative Annäherung
Jetzt downloaden

Der Unbekunderstator Ranking & Zusammenfassung

Der Unbekunderstator Stichworte

Python-Bibliothek Python Annäherung Entlastung der Derivate. Derivate

Der Unbekunderstator Beschreibung

Ein Python-Modul für Finite-Unterschiede Derivateantrieb Der Unapprximator ist eine Python-Bibliothek für Finite-Unterschiede Derivate näherungsgleich.DEApprximator ist ein kleines und noch wichtiges Paket zum Erzielen / Überprüfen desivaten (derzeit nur 1st), extrahiert aus Openopt-Framework, um ein Standalone-Python-Modul zu sein. Es ist von Funcdesigner (zum Erhalten von Derivaten von OFUNS hinaus, die nicht ohne Standardsatz hinausgehen, ohne Routinen, um sie direkt zu ergeben) und einige Openopt-Löser (wenn einige Funktionen ohne benutzerliegende Derivate vorhanden sind). Anforderungen an das Paket (sowie für Openopt und Funcdesigner) sind NUMPY- und PYTHON-SETUPTOOLS.Current bietet nur 2 Funktionen - get_d1 und check_d1. Zwei erforderliche Argumente für GET_D1 und CHECK_D1 sind das beteiligte Func und der Punkt, an dem Ableitungen derivative vorhanden sind. Wenn der Benutzer eine Python-Liste (als Startpunkt) anbietet, wird es automatisch in NUMPY-Array gegossen. * GET_D1 gibt 1ste Derivate eines Func-Funktionen an: R ^ N -> R ^ Mexample: vom DerApprximator Import * DRUCK GET_D1 (LAMBDA X: (X ** 2) .sum (), ) drucken Get_D1 (Lambda x: x ** 2, ) Erwarteter Ausgang: ] * check_d1 Überprüft das vom Benutzer bereitgestellte Routing zum Erhalten von 1st-Derivaten einer FunktionExample: von NUMPY-Import * vom Der Unapprximator 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 = check_d1 (func, func_d, x) erwartete Ausgabe: Func Num usergeführter numerischer RD0 + 4.000e + 01 + 4.000e + 0031 + 3.200de + 02 + 3.200de + 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 ( ist in Func-Nummer 4 registriert, func num i, j: dfunc / dx Benutzerversorgung numerischer RD00/0 + 4.000e + 01 + 4.000e + 00361/1 + 3.200de + 02 + 3.200de + 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 (ist in Func-Nummer 24 registriert) * Die Standarddiffrierung ist 1,5e -8 können Sie es überschreiben, indem Sie "diffint" für get_d1 und check_d1 überschreiben. Ein weiteres Argument ist Schablone, Standardwert 2 für Der Unapplacher, Funcdesigner und Openopt NSP ist 2, dh (f (x + diffint) -f (x-diffint)) / (2 * diffint), für Openopt NLP-Standardeinstellung 1, dh (f (x + diffint) -f (x)) / diffint.example: von NUMPY-Import * von DerApprximator Import Get_D1Func = Lambda x: (x ** 4) .sum () x = Arange (1.0, 6.0) R1 = get_d1 (Func, X, Schablone = 1, Diffrint = 1E-5) Drucken (R1) R2 = GET_D1 (FUNC, X, SCHNIL = 2, Diffrint = 1E-5) Drucken (R2) Erwartete Ausgabe: * Wenn sich herausstellt, dass f (x + diffint) NAN (keine Zahl) oder F (x-diffint) ist, ist NaN, als nur eine Seite involviert ist Berechnungen. Übrigens Dies ist eine typische Situation für viele numerische Optimierungsprobleme, und derzeit funktionen ca.f_FPRIME und Check_grad von Scipy.Optimize sind noch primitiver - sie haben nur eine Schablone und keine Handhabung von NANs. Anforderungen: · Python · NUMPY.

Der Unbekunderstator Zugehörige Software