scipy.optimize.minimize использование метода по умолчанию возвращает исходное значение в качестве результата, без каких-либо сообщений об ошибках или предупреждений. При использовании метода Nelder-Mead, как предложеноэтот ответ решает проблему, хотелось бы понять

Почему метод по умолчанию возвращаетнеправильный ответ без предупреждения отправная точка в качестве ответа - и есть ли способ, которым я могузащитить от «неправильного ответа без предупреждения» избежать такого поведения в этом случае?

Обратите внимание, функцияseparation использует пакет pythonSkyfield генерировать значения, которые должны быть сведены к минимуму, что не гарантируется гладким, и поэтому Симплекс здесь лучше.

РЕЗУЛЬТАТЫ:

результат испытаний: [2.14159739] 'правильный':+2,14159265359 начальный: 0,0

результат по умолчанию: [10000.] 'правильно': 13054 начальный:10000

Результат Nelder-Mead: [13053.81011963] 'правильный':13054 начальный: 10000

FULL OUTPUT using DEFAULT METHOD:
   status: 0
  success: True
     njev: 1
     nfev: 3
 hess_inv: array([[1]])
      fun: 1694.98753895812
        x: array([ 10000.])
  message: 'Optimization terminated successfully.'
      jac: array([ 0.])
      nit: 0

FULL OUTPUT using Nelder-Mead METHOD:
  status: 0
    nfev: 63
 success: True
     fun: 3.2179306044608054
       x: array([ 13053.81011963])
 message: 'Optimization terminated successfully.'
     nit: 28

Вот полный сценарий:

def g(x, a, b):
    return np.cos(a*x + b)

def separation(seconds, lat, lon):
    lat, lon, seconds = float(lat), float(lon), float(seconds) # necessary it seems
    place = earth.topos(lat, lon)
    jd = JulianDate(utc=(2016, 3, 9, 0, 0, seconds))
    mpos = place.at(jd).observe(moon).apparent().position.km
    spos = place.at(jd).observe(sun).apparent().position.km
    mlen = np.sqrt((mpos**2).sum())
    slen = np.sqrt((spos**2).sum())
    sepa = ((3600.*180./np.pi) *
            np.arccos(np.dot(mpos, spos)/(mlen*slen)))
    return sepa

from skyfield.api import load, now, JulianDate
import numpy as np
from scipy.optimize import minimize

data = load('de421.bsp')

sun   = data['sun']
earth = data['earth']
moon  = data['moon']

x_init = 0.0
out_g = minimize(g, x_init, args=(1, 1))
print "test result: ", out_g.x, "'correct': ", np.pi-1, "initial: ", x_init    # gives right answer

sec_init = 10000
out_s_def = minimize(separation, sec_init, args=(32.5, 215.1))
print "default result: ", out_s_def.x, "'correct': ", 13054, "initial: ", sec_init

sec_init = 10000
out_s_NM = minimize(separation, sec_init, args=(32.5, 215.1),
                 method = "Nelder-Mead")
print "Nelder-Mead result: ", out_s_NM.x, "'correct': ", 13054, "initial: ", sec_init

print ""
print "FULL OUTPUT using DEFAULT METHOD:"
print out_s_def
print ""
print "FULL OUTPUT using Nelder-Mead METHOD:"
print out_s_NM