在Julia中使用PyCall的Scipy

Question

我有一个中等大的非线性方程系统，我想在Julia中使用scipy.optimize来解决。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，这两种方法都有效：

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)

但是，这不会：

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)

这也不是：

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)

由于问题的本质，我认为不使用循环是不可行的。有没有办法以一种fsolve可以接受的方式返回向量？

Answer 1

后两种方法从不创建f，这就是问题所在。您必须首先创建数组。

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

它将自动匹配x的大小和类型，或者您可以使用构造函数：

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，你都需要创建一个数组。P也有同样的问题。

此外，您还应该检查NLSolve.jl。它允许一个预先分配的表单：

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

它应该分配更少的资源，做得更好。Roots.jl是另一个很好的选择。