scipy优化器设置

Question

我为我的场景提出了一个更简单的虚拟示例，可以用数学方法解决我的示例，而不是使用优化器，但是让我们开头，我必须使用优化器。对不起，如果太详细了。

我有这个功能，它会根据两个列表，一个权重列表和一系列因素给我一个结果。

def validate_vector(vector, factors):
    return sum([x * y for x, y in zip(vector, factors)]) 

我有一个3个元素的起点，但后来我引入了第四个元素。

initial_vector_weights = [.2, .3, .5]
initial_factors = [.09, .07, .01]

new_element_in_vector_weights = [.2, .3, .5, 0]
new_element_factors = [.09, .07, .01, .2]

每当添加一个新元素时，我最初会以零权重添加它，然后我需要验证并确保我的验证结果高于.05的阈值。如果是，我将新元素保持在0重量。

validate_weights(new_element_in_vector_weights, new_element_factors)
0.044

这个新增加的结果会导致0.05以下的验证，所以我不能将新元素保持为0，必须给它一个权重，使得我的验证是.05。我需要针对abs（validate_weights（new_element_in_vector_weights，new_element_factors） - .05）= 0的解决方案进行优化。

我有一些约束，所有权重必须是正数，并且必须总计为1。

cons = ({'type': 'eq', 'fun': lambda x: np.sum(x) - 1.0},
        {'type': 'ineq', 'fun': lambda x: x})

我还有一个额外的约束，我必须以一种方式优化，从而将新元素权重（新的第4个）从0增加，但是以与初始权重成比例的方式减少我的初始权重

例如，这可能是我的例子

的解决方案

[.2, .3, .5, 0]
[.18, .27, .45, .1]

其中old / new是一个常数比率，.2 / .18 = .3 / .27 = .45 / .5，我高于.05。

validate_weights([.18, .27, .45, .1], [.09, .07, .01, .2])
0.059600000000000014

然而，我希望第4个元素的重量能够让我完全接受.05。

我试图这样做，但这不起作用。

这只是确保我的重量与原始重量成正比。

def calculate_proportional_weights(original_vector_weights, new_element_weight):
    remaining_weight = 1 - new_element_weight
    proportional_weights = [x * (1-new_element_weight) for x in original_vector_weights[:(len(original_vector_weights) - 1)]]
    return proportional_weights

def prorated_weights_cons(original_weights, new_weights):
    original_weights_core = original_weights[:len(original_weights) - 1]
    new_weights_core = new_weights[:len(new_weights) -1]
    H_new_weight = new_weights[-1]
    redistributed_weights = calculate_proportional_weights(original_weights, H_new_weight)
    return sum(redistributed_weights) + H_new_weight - 1

这是我想要最小化的功能。

def min_validate_weights_objective(vector, factors):
    validation_ = validate_vector(vector, factors)
    val_to_min = abs(validation, .05)
    return val_to_min

这是优化器。

cons = ({'type': 'eq', 'fun': prorated_weights_cons(new_element_in_vector_weights, new_element_factors)}, 
 {'type': 'eq', 'fun': lambda x: np.sum(x) - 1.0},
    {'type': 'ineq', 'fun': lambda x: x})

res = minimize(min_validate_weights_objective, new_element_in_vector_weights, args=[new_element_in_vector_weights, new_element_factors], method='SLSQP',constraints=cons, 
              options={'disp': False, 'ftol': .0000000001, 'eps' : .0000000001, 'maxiter':10000})

虽然我确定它还有其他问题，但是还是爆炸了。

TypeError: 'float' object is not callable

你们在这个场景中看到任何不正确的错误吗？非常感谢你！