我试图通过在Python2.7中使用scipy.optimize.fsolve
来找到方程组的解。目标是计算化学系统的平衡浓度。由于问题的性质,有些常数非常小。对于某些组合,我确实找到了一个合适的解决方案。对于某些参数,我找不到解决方案。要么解决方案是否定的,从物理角度来看这是不合理的,要么fsolve产生了:
ier=3,'xtol=0.000000太小,无法进一步改进近似解决方案。')
ier=4,“迭代没有取得很好的进展,这是由最近五次雅可比评估的改进来衡量的。”)
ier=5,'迭代没有取得很好的进展,这是通过\n最近十次迭代的改进来衡量的。')
在我看来,根据我的研究,未能找到方程组的正确解与数据类型float.64
不够精确有关。正如一位朋友所指出的那样,系统的状态不是很好,参数有几个量级的不同。
因此,我尝试将fsolve与gmpy2
模块提供的mpfr
类型一起使用,但结果导致以下错误:
TypeError:无法根据规则“safe”
这里有一个小例子,如果随机启动参数拟合得很好的话,这个例子会导致一个解决方案。但是,如果常数C_HCL被选为像1e-4或更大的值,那么我就找不到合适的解。在
from numpy import *
from scipy.optimize import *
K_1 = 1e-8
K_2 = 1e-8
K_W = 1e-30
C_HCL = 1e-11
C_NAOH = K_W/C_HCL
C_HL = 1e-6
if C_HCL-C_NAOH > 0:
Saeure_Base = C_HCL-C_NAOH+sqrt(K_W)
OH_init = K_W/(Saeure_Base)
elif C_HCL-C_NAOH < 0:
OH_init = C_NAOH-C_HCL+sqrt(K_W)
Saeure_Base = K_W/OH_init
# some randomized start parameters
G1 = random.uniform(0, 2)*Saeure_Base
G2 = random.uniform(0, 2)*OH_init
G3 = random.uniform(1, 2)*C_HL*(sqrt(K_W))/(Saeure_Base+OH_init)
G4 = random.uniform(0.1, 1)*(C_HL - G3)/2
G5 = C_HL - G3 - G4
zGuess = array([G1,G2,G3,G4,G5])
#equation system / 5 variables --> H3O, OH, HL, H2L, L
def myFunction(z):
H3O = z[0]
OH = z[1]
HL = z[2]
H2L = z[3]
L = z[4]
F = empty((5))
F[0] = H3O*L/HL - K_1
F[1] = OH*H2L/HL - K_2
F[2] = K_W - OH*H3O
F[3] = C_HL - HL - H2L - L
F[4] = OH+L+C_HCL-H2L-H3O-C_NAOH
return F
z = fsolve(myFunction,zGuess, maxfev=10000, xtol=1e-15, full_output=1,factor=0.1)
print z
所以问题是。这个问题是基于float.64和 如果是的,(如何)用python解决它?F解决方案是正确的吗?我是否需要更改fsolve函数以便它接受不同的数据类型?在
你问题的根源不是理论上的就是数值上的。在
scipy.optimize.fsolve
函数基于MINPACK Fortran解算器(http://www.netlib.org/minpack/)。这个解算器使用牛顿-拉夫森优化算法来提供解。在使用此算法时,有一些关于函数平滑性的基本假设。例如,解点
x
处的雅可比矩阵应该是可逆的。你更关心的是吸引力的盆地。 为了收敛,算法的起点必须接近实际解,即在吸引域内。凸函数总是满足这一条件,但很容易找到一些算法性能较差的函数。你的函数就是其中之一,因为你有一小部分输入参数。在为了解决这个问题,你应该改变出发点。对于具有多个解决方案的函数,这个起点也变得非常重要:来自wikipedia文章的this picture向您展示了根据起始点找到的解决方案(五种解决方案对应五种颜色);因此您应该谨慎对待您的解决方案,并实际检查解决方案的“物理”方面。在
在数值方面,Newton-Raphson算法需要有雅可比矩阵(导数矩阵)的值。如果未提供给MINPACK解算器,则使用有限差分公式估计雅可比。需要提供有限差分公式的扰动步骤}的情况下,
epsfcn=None
,只有在提供{None
作为默认值(在这种情况下不需要雅可比估计)。所以首先你应该把它合并起来。您也可以通过手动派生函数来直接指定jacobian。在但是,步长的最小值是机器精度,也称为machine epsilon。对于您的问题,您有非常小的输入值,这可能是一个问题。我建议用相同的值(比如10^6)乘以它们,这相当于单位的改变,但可以避免误差和机器精度的问题。在
当您查看您提供的参数},这并不重要。
xtol=1e-15
时,这个问题也很重要。在您的错误消息中,它给出xtol=0.000000
,因为它低于机器精度,不能被考虑在内。另外,如果你看你的行F[2] = K_W - OH*H3O
,给定机器精度,K_W
是1e-15
还是{0
是这两种情况下与机器精度比较的解决方案。为了避免这个问题,只需将所有值乘以一个更大的值。在所以总结一下:
相关问题 更多 >
编程相关推荐