scipy leastsq fit - 特定のソリューションにペナルティをかける

Question

私は複数のデータセットに同時に適合できるアルゴリズムを実装しました。 multi fit

ターゲット関数は、ここでは（LaFortune散乱モデル）を表示するためには複雑すぎるので、私は説明のために、溶液から目的の機能を使用します：それは、このソリューションに基づいています

def lor_func(x,c,par): 
    a,b,d=par 
    return a/((x-c)**2+b**2) 

どのようにすることができますフィッティングアルゴリズムがparで、結果がlor_func < 0のパラメータセットを選択した場合、フィッティングアルゴリズムを罰する。

ターゲット関数の負の値は、数学的な観点から有効です。したがって、この負のターゲット関数をもたらすパラメータセットparは、最小誤差を有する解であり得る。しかし、私はそれらが物理的にも有効であるように、そのような解決策を除外したい。以下のような

機能：それはあまりにも0値を最適化してフィット感が間違ったデータを返すよう

def lor_func(x,c,par): 
    a,b,d=par 
    value = a/((x-c)**2+b** 
    return max(0, value) 

は動作しません。その結果は正しい結果とは異なります。

Answer 1

bounds引数をscipy.optimize.least_squaresとしますか？

res = least_squares(func, x_guess, args=(Gd, K), 
        bounds=([0.0, -100, 0, 0], 
          [1.0, 0.0, 10, 1]), 
          max_nfev=100000, verbose=1) 

私はここで行ったように：私は事前にそれらを知らないよう Suggestions for fitting noisy exponentials with scipy curve_fit?