我在从scipy到1.9.0版本的发行说明中发现了以下关于优化模块的内容，在“scipy.optimize improvements”一节中，第4点：添加一个矢量化参数，以便每次迭代仅调用一次矢量化目标函数。然而，我已经查看了有关此类参数的文档（minisation函数和minize_sclar），却找不到任何关于此类参数的提示。在互联网上搜索时，我只找到了一些关于实现此类参数的建议或GitHub问题的帖子（或解决方案）。在哪里可以找到此参数？我可以使用它吗？
nhaq1z211#
这些注解对scipy.optimize.differential_evolution有更具体的说明，这个参数在那里有解释，我在其他SO问题中也遇到过，但我不记得哪些函数使用了它。基本上，对于允许这样做的函数，你可以编写一个目标函数，或者其他可调用的函数（jacobian，boundary？），以一种接受二维数组值的方式。通常，函数只接受一个一维数组，即当前的“状态”。但是，如果使用“vectorized=True”，函数应该准备接受一组“状态”数组，并为每个数组返回一个值。因此，与其调用对象k次以获得一个范围的值，例如在计算梯度时，它可以使用（n，k）参数调用它1，并通过一次调用获得所有k结果。我试图解释solve_ivp如何使用这个scipy.integrate.solve_ivp vectorized
scipy.optimize.differential_evolution
k
solve_ivp
1条答案
按热度按时间nhaq1z211#
这些注解对
scipy.optimize.differential_evolution有更具体的说明，这个参数在那里有解释，我在其他SO问题中也遇到过，但我不记得哪些函数使用了它。基本上，对于允许这样做的函数，你可以编写一个目标函数，或者其他可调用的函数（jacobian，boundary？），以一种接受二维数组值的方式。通常，函数只接受一个一维数组，即当前的“状态”。但是，如果使用“vectorized=True”，函数应该准备接受一组“状态”数组，并为每个数组返回一个值。
因此，与其调用对象
k次以获得一个范围的值，例如在计算梯度时，它可以使用（n，k）参数调用它1，并通过一次调用获得所有k结果。我试图解释
solve_ivp如何使用这个scipy.integrate.solve_ivp vectorized