Я хотел бы найти минимум уравнений, приведенных в этом скрипте. Это выглядит очень грязно (но глубокая неопределенность уравнения не нужна - я полагаю). В конце def
это выражение для минимизации:scipy.optimize.least_squares и matlab lsqnonlin разница
vys1=-Qd-40*sqrt(5)*sqrt((ch+cm)*ep*kb*Na*T)*w1
vys2=fi0-fib-Q0/cq
vys3=fib-fid+Qd/cq1
vysf= np.array([vys1,vys2,vys3])
return vysf
Я пишу этот скрипт в MATLAB с помощью lsqnonlin
для сравнения результатов. Результаты Matlab кажутся очень точными. Результат является (fi0, выдумка, FID)
Python
[-0.14833481 -0.04824387 -0.00942132] Sum(value) ~1e-3.
Matlab
[-0,13253 -0,03253 -0,02131 ] Sum(value)~1e-15
Обратите внимания, что скрипт имеет чек на опечатки в уравнении (если они идентичны в питоне и MATLAB) для [fi0,fib,fid]=[-0.120, -0.0750 ,-0.011]
результата те же [vys1,vys2,vys3]
-
python [0.00069376 0.05500097 -0.06179421]
matlab [0.0006937598,0.05500096 -0.06179421]
Есть еще варианты в least_squares
для улучшения результатов? Спасибо за любую помощь (извините за недопонимание английский)
Python
import scipy as sc
import numpy as np
from math import sinh
import matplotlib as plt
from numpy import exp, sqrt
from scipy.optimize import leastsq,least_squares
def q(par,ep,Na,kb,T,e,gamaal,gamasi,gamax,k1,k2,k3,k4,cq,cq1,ch,cm):
fi0,fib,fid=np.array([par[0],par[1],par[2]])
AlOH= gamaal*k1*exp(e*fi0/(T*kb))/(ch + k1*exp(e*fi0/(T*kb)))
AlOH2= ch*gamaal/(ch + k1*exp(e*fi0/(T*kb)))
SiO= gamasi*k2*exp(e*fi0/(T*kb))/(ch + k2*exp(e*fi0/(T*kb)))
SiOH= ch*gamasi/(ch + k2*exp(e*fi0/(T*kb)))
X= gamax*k3*k4*exp(e*fib/(T*kb))/(ch*k4 + cm*k3 + k3*k4*exp(e*fib/ (T*kb)))
XH= ch*gamax*k4/(ch*k4 + cm*k3 + k3*k4*exp(e*fib/(T*kb)))
Xm= cm*gamax*k3/(ch*k4 + cm*k3 + k3*k4*exp(e*fib/(T*kb)))
Q0=e*(0.5*(AlOH2+SiOH-AlOH-SiO)-gamax)
Qb=e*(XH+Xm)
Qd=-Q0-Qb
w1=sc.sinh(0.5*e*fid/kb/T)
vys1=-Qd-40*sqrt(5)*sqrt((ch+cm)*ep*kb*Na*T)*w1
vys2=fi0-fib-Q0/cq
vys3=fib-fid+Qd/cq1
vysf= np.array([vys1,vys2,vys3])
return vysf
kb=1.38E-23;T=300;e=1.6e-19;Na=6.022e23;gamaal=1e16;gamasi=1e16
gamax=1e18;k1=1e-4;k2=1e5;k3=1e-4;k4=1e-4;cq=1.6;cq1=0.2
cm=1e-3;ep=80*8.8e-12
ch1=np.array([1e-3,1e-5,1e-7,1e-10])
# Check the equations, if they are same
x0=np.array([-0.120, -0.0750 ,-0.011])
val=q(x0,ep,Na,kb,T,e,gamaal,gamasi,gamax,k1,k2,k3,k4,cq,cq1,ch1[0],cm)
print(val)
w1=least_squares(q,x0, args=(kb,ep,Na,T,e,gamaal,gamasi,gamax,k1,k2,k3,
k4,cq,cq1,ch1[0],cm))
print(w1['x'])
MATLAB
function[F1,poten,fval]=test()
kb=1.38E-23;T=300;e=1.6e-19;Na=6.022e23;gamaal=1e16;gamasi=1e16;gamax=1e18;
k1=1e-4;k2=1e5;k3=1e-4;k4=1e-4;cq=1.6;cq1=0.2;ch=[1e-3];cm=1e-3;ep=80*8.8e- 12;
% Test if equation are same
x0=[-0.120, -0.0750 ,-0.011];
F1=rovnica(x0,ch) ;
[poten,fval]= lsqnonlin(@(c) rovnica(c,ch(1)),x0);
function[F]=rovnica(c,ch)
fi0=c(1);
fib=c(2);
fid=c(3);
aloh=exp(1).^(e.*fi0.*kb.^(-1).*T.^(-1)).*gamaal.*k1.*(ch+exp(1).^(e.* ...
fi0.*kb.^(-1).*T.^(-1)).*k1).^(-1);
aloh2=ch.*gamaal.*(ch+exp(1).^(e.*fi0.*kb.^(-1).*T.^(-1)).*k1).^(-1);
sioh=ch.*gamasi.*(ch+exp(1).^(e.*fi0.*kb.^(-1).*T.^(-1)).*k2).^(-1);
sio=exp(1).^(e.*fi0.*kb.^(-1).*T.^(-1)).*gamasi.*k2.*(ch+exp(1).^(e.* ...
fi0.*kb.^(-1).*T.^(-1)).*k2).^(-1);
Xm=cm.*gamax.*k3.*(cm.*k3+ch.*k4+exp(1).^(e.*fib.*kb.^(-1).*T.^(-1)) ...
.*k3.*k4).^(-1);
XH=ch.*gamax.*k4.*(cm.*k3+ch.*k4+exp(1).^(e.*fib.*kb.^(-1).*T.^(-1)) ...
.*k3.*k4).^(-1);
Q0=e*(0.5*(aloh2+sioh-aloh-sio)-gamax);
Qb=e*(XH+Xm);
Qd=-Q0-Qb;
F=[-Qd+(-40).*5.^(1/2).*((ch+cm).*ep.*kb.*Na.*T).^(1/2).*sinh((1/2).*e.* ...
fid.*kb.^(-1).*T.^(-1));...
fi0-fib-Q0/cq;...
(fib-fid+Qd/cq1)];
end
end
Вы должны улучшить форматирование кода! – godaygo
Список опций, которые «наименьший_суквас» имеет [здесь] (https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.least_squares.html). Наиболее важными являются варианты допуска, ftol, gtol и xtol. Уменьшение их иногда улучшает результат минимизации. Но не в этом случае. Похоже, что lsqnonlin от MATLAB, который выиграл от усилий его инженерной команды уже более десяти лет, превосходит наименьшие_квадраты, которые были добавлены в SciPy летом прошлого года. Возможно, вы захотите открыть проблему на репо Repo SciPy, но было бы неплохо иметь более простую функцию для работы. – FTP
Оптимизационный метод как в matlab, так и в less_squares является рефлексивным, отражающим доверие к региону, поэтому больших различий в производительности на самом деле не ожидается. Контрпримеры действительно были бы очень полезны для поиска, но здесь, по-видимому, причина в другом месте. –