Question

我正在尝试将一千多个变量的线性函数最小化。约束是：（w是numpy数组，元素类型为float64）

cons = ({'type': 'ineq', 'fun': lambda w: 0.01 - abs(np.sum(w))},
        {'type': 'ineq', 'fun': lambda w: 1 - abs(np.sum(vMax0(w)))},
        {'type': 'ineq', 'fun': lambda w: 1 - abs(np.sum(vMin0(w)))})

其中vMax0和vMin0只是向量化函数max（x，0）和min（x，0）。优化声明是：

    w_raw = minimize(totalRisk, w0, bounds = wBounds, constraints = cons, 
                     method='SLSQP', options={'disp': True})

但最佳参数甚至不在可行区域。实际上，在1或2次迭代之后，最优参数离开可行区域。可能的原因是什么？谢谢！

Answer 1

sum的第一个约束使得-0.01 <= sum(w) <= 0.01不是“接近1”。

cons = ({'type': 'ineq', 'fun': lambda w: 0.01 - abs(1 - np.sum(w))},
    {'type': 'ineq', 'fun': lambda w: 1 - abs(np.sum(vMax0(w)))},
    {'type': 'ineq', 'fun': lambda w: 1 - abs(np.sum(vMin0(w)))})

现在和之和的绝对差值不大于0.01：）

scipy.optimize.minimize忽略约束

1 个答案: