我想根据约束（变量是非负的）来最小化函数。我可以准确地计算梯度和Hessian。所以我想要这样的东西：
result = scipy.optimize.minimize(objective, x0, jac=grad, hess=hess, bounds=bds)
我需要指定一个优化方法（http://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.minimize.html）。不幸的是，我似乎找不到允许用户指定的边界和Hessian的方法！
这特别令人讨厌，因为方法＆＃34; TNC＆＃34;和＆＃34; Newton-CG＆＃34;似乎基本相同，但TNC内部估计Hessian（在C代码中），而Newton-CG不允许约束。
那么，如何使用用户指定的Hessian进行约束优化？似乎在scipy中应该有一个简单的选择 - 我错过了什么？
答案 0 :(得分：0)
我意识到了我的问题的解决方法，即将约束优化转换为无约束优化。
在我的情况下，因为我有约束x＆gt; 0，我决定优化log（x）而不是x。这很容易解决我的问题，因为我正在使用自动区分。
尽管如此，这似乎是一个有点令人不满意的解决方案 - 我仍然认为scipy应该允许一些受限制的二阶最小化方法。
答案 1 :(得分：0)
我自己恰恰碰到了这一点。我认为TNC将有效集应用于CG的线搜索，而不是线搜索的方向。相反，黑森州选择了线的方向。那么，呃，也许可以从NCG中删除线搜索并将其放入TNC。问题是，当你在边界时，黑森州可能不会把你带出来。
如何使用TNC进行非常粗略的第一次猜测[给它一个非常大的错误命中]，然后使用NCG进行少量迭代，检查：如果在边界上返回TNC，否则继续NCG。啊...
是，或使用log（x）。我会跟随你的领导。