使用Brent法在Python中优化含未知变量函数遇报错求助

核心问题 #

1. 变量未定义+目标函数格式错误：eq_tau_c_i里直接调用expectation(y, A, P)时，y根本没定义；而且scipy.optimize.root_scalar的brentq方法要求传入只接受单个自变量的函数，不能直接传计算好的数值结果。
2. 逻辑与需求公式不匹配：原expectation函数算的是sum(max((A-y)%P, 0))，但你要的是满足Exp(max(x_i-y)) = c的y，既缺了指数运算，逻辑也和需求对不上。
3. 维度处理有隐患：y.reshape((-1,1))没考虑y是标量的情况，容易触发维度不兼容的错误。

修正后的代码 #

情况1：完全匹配需求公式Exp(max(x_i-y)) = c

import numpy as np
from scipy import optimize

def expectation(y, A):
    # 计算每个样本的max(x_i - y)，再做指数运算
    max_diff = np.max(A - y, axis=1)
    return np.exp(max_diff)

def eq_tau_c_i(A, c):
    # 构造brentq要求的单变量目标函数：f(y) = exp(max(x_i - y)) - c
    def target_func(y):
        return expectation(y, A) - c
    
    # brentq要求区间两端点函数值异号，需确保[0,2.0]符合要求，可根据实际调整
    root_result = optimize.root_scalar(target_func, method='brentq', bracket=[0, 2.0])
    return root_result.x

情况2：保留原代码中的模P运算逻辑

如果你的实际需求是带模运算的Exp(max((x_i-y)%P)) = c，则调整如下：

import numpy as np
from scipy import optimize

def expectation(y, A, P):
    # 处理y的维度，兼容标量输入
    y_arr = np.asarray(y).reshape((-1, 1))
    subtraction = A - y_arr
    result = subtraction % P
    max_result = np.max(result, axis=1)
    return np.exp(max_result)  # 补上指数运算，匹配需求公式

def eq_tau_c_i(A, P, c):
    def target_func(y):
        return expectation(y, A, P) - c
    
    # 需确认bracket区间内函数值两端异号，否则brentq会报错
    root_result = optimize.root_scalar(target_func, method='brentq', bracket=[0, 2.0])
    return root_result.x

关键注意事项 #

• brentq算法要求bracket指定的区间内，目标函数在两端点的取值符号相反，否则会抛出求解失败的错误，需根据你的数据调整区间范围。
• 若A是一维数组，可去掉reshape操作，简化维度处理逻辑。
• 原代码中expectation的sum操作是多余的，若你确实需要求和后再指数化，可将np.exp(max_result)改为np.exp(np.sum(max_result, axis=1))，但需和你的需求公式对应。

内容的提问来源于stack exchange，提问作者Laurentien Diepenhorst