Scipy 在 Julia 中使用 PyCall

Question

我有一个中等规模的非线性方程组，我想在 Julia 中使用 scipy.optimize 来求解。问题是我在将方程传递给求解器之前将它们存储在向量中，而 PyCall 不接受这一点。例如，这些方法都有效：

using PyCall
@pyimport scipy.optimize as so

function F(x)
 f1=1- x[1] - x[2]
 f2=8 - x[1] - 3*x[2]
 return f1, f2
end

x0 = [1,1]
x = so.fsolve(F, x0)

function G(x)
 f=[1 - x[1] - x[2],
    8 - x[1] - 3*x[2]]
 return f
end

x0 = [1,1]
x = so.fsolve(G, x0)

但事实并非如此：

function H(x)
 f[1]=1 - x[1] - x[2]
 f[2]=8 - x[1] - 3*x[2]
 return f
end

x0 = [1,1]
x = so.fsolve(H, x0)

这个也不行：

function P(x)
 f[1]= 1 - x[1] - x[2]
 f[2]= 8 - x[1] - 3*x[2]
 return f[1], f[2]
end

x0 = [1,1]
x = so.fsolve(P, x0)

由于问题的性质，我认为不使用循环是不可行的。有没有办法以 fsolve 可以接受的方式返回向量？

Answer 1

后两种方法永远不会创建f，这是问题所在。你必须先创建数组。

function H(x)
 f = similar(x)
 f[1]=1 - x[1] - x[2]
 f[2]=8 - x[1] - 3*x[2]
 return f
end

会自动匹配x的大小和类型，也可以使用构造函数：

function H(x)
 f = Vector{Float64}(2)
 f[1]=1 - x[1] - x[2]
 f[2]=8 - x[1] - 3*x[2]
 return f
end

无论你想做什么，你都需要制作数组。 P 有同样的问题。

另外，您应该查看 NLSolve.jl。它允许预先分配的表格：

function H(x,f)
 f[1]=1 - x[1] - x[2]
 f[2]=8 - x[1] - 3*x[2]
 return nothing
end

应该分配更少并且做得更好。 Roots.jl 是另一个不错的 Julia 选项。