Question

我的初步问题可以在这里找到：Optimization in R with arbitrary constraints

它引发了另一个问题，即如何将参数传递给nloptr 我需要最小化函数F(x,y,A)，其中x和y是向量，A是矩阵，同时约束sum(x * y) >= sum(y/3)和sum(x)=1。我试图使用nloptr：

F <- function(x,y,A){
   ...
}

Gc <- function(x,y){
  return(sum(y/3) - sum(x*y))
} 

Hc <- function(x){
  retunr(1-sum(x))
}

nloptr(x0=rep(1/3,3), eval_f=F, lb = 0.05, ub = 1, eval_g_ineq = Gc, eval_g_eq = Hc, opts = list(), y=y, A=A)

我收到一个错误： 'A' passed to (...) in 'nloptr' but this is not required in the eval_g_ineq function.

如果我说nloptr( ... , y, A)

我得到：eval_f requires argument 'cov.mat' but this has not been passed to the 'nloptr' function.

任何建议都会很棒。感谢

Answer 1

所以这里有几件事情发生了：

首先，目标函数F，等式约束函数Hc和不等式约束函数Gc都必须采用相同的参数。所以将x, y, A传递给所有三个，并在不需要的地方忽略它们。

其次，你必须在某处定义y和A ......

第三，您必须指定要使用的算法。使用opts=list(algoritm=...)执行此操作。事实证明，如果你是（a）使用约束，并且（b）不提供计算雅可比矩阵的函数，那么只有一些算法是合适的。在您的情况下，opts=list(algorithm="NLOPT_GN_ISRES")似乎有效。

最后，默认的maxeval = 100证明还不够。我不得不将其设置为100,000以获得收敛。

将所有这些放在一起，尽管有一个弥补的目标函数：

F <- function(x,y,A){  # made-up function
  # minimize scaled distance between points x and y
  sum((A[1]*x-A[2]*y)^2)
}
Gc <- function(x,y,A) return(sum(y/3) - sum(x*y))
Hc <- function(x,y,A) return(1-sum(x))

library(nloptr)
y= c(0,1,0)
A= c(10,1)
opt <- nloptr(x0=rep(1/3,3), eval_f=F, lb = rep(0.05,3), ub = rep(1,3), 
              eval_g_ineq = Gc, eval_g_eq = Hc, 
              opts = list(algorithm="NLOPT_GN_ISRES",maxeval=100000), y=y, A=A)
opt$solution
# [1] 0.2990463 0.4004237 0.3005300

在非线性优化函数`nloptr`中传递参数

1 个答案: