scipy leatsq fit惩罚某些解决方案

Question

我实现了一个算法，它能够同时适应多个数据集。它基于这个解决方案：multi fit

目标函数太复杂，无法在此显示（LaFortune散射模型），因此我将使用解决方案中的目标函数进行解释：

def lor_func(x,c,par):
    a,b,d=par
    return a/((x-c)**2+b**2)

如果拟合算法选择了一个导致lor_func < 0的参数集par，我该如何惩罚它呢。在

从数学角度来看，目标函数的负值是有效的。因此，导致负目标函数的参数集par可能是误差最小的解决方案。但我想排除这些解决办法，因为它们在物理上是无效的。在

像这样的函数：

^{pr2}$

当fit也优化0值时返回错误的数据时不起作用。结果将与正确的结果不同。在

Answer 1

使用scipy.optimize.least_squares的bounds参数？在

res = least_squares(func, x_guess, args=(Gd, K),
                    bounds=([0.0, -100, 0, 0],
                            [1.0, 0.0, 10, 1]),
                             max_nfev=100000, verbose=1)

就像我在这里做的那样： Suggestions for fitting noisy exponentials with scipy curve_fit?