我见过这个amazing example。 但我需要在X和F上解决带边界的系统,例如:
f1 = x+y^2 = 0
f2 = e^x+ xy = 0
-5.5< x <0.18
2.1< y < 10.6
# 0.15< f1 <20.5 - not useful for this example
# -10.5< f2 < -0.16 - not useful for this example
我怎样才能将此边界约束设置为scipy的fsolve()?或者可能还有其他一些方法? 你能给我一个简单的代码示例吗?
答案 0 :(得分:3)
我希望这能成为你的首发。全是there。
import numpy as np
from scipy.optimize import minimize
def my_fun(z):
x = z[0]
y = z[1]
f = np.zeros(2)
f[0] = x + y ** 2
f[1] = np.exp(x) + x * y
return np.dot(f,f)
def my_cons(z):
x = z[0]
y = z[1]
f = np.zeros(4)
f[0] = x + 5.5
f[1] = 0.18 - x
f[2] = y - 2.1
f[3] = 10.6 - y
return f
cons = {'type' : 'ineq', 'fun': my_cons}
res = minimize(my_fun, (2, 0), method='SLSQP',\
constraints=cons)
res
status: 0
success: True
njev: 7
nfev: 29
fun: 14.514193585986144
x: array([-0.86901099, 2.1 ])
message: 'Optimization terminated successfully.'
jac: array([ -2.47001648e-04, 3.21871972e+01, 0.00000000e+00])
nit: 7
编辑:作为对评论的回复:如果您的函数值f1
和f2
不为零,则只需重写等式:
f1 = -6且f2 = 3
您要最小化的功能是:
def my_fun(z):
x = z[0]
y = z[1]
f = np.zeros(2)
f[0] = x + y ** 2 + 6
f[1] = np.exp(x) + x * y -3
return np.dot(f,f)
答案 1 :(得分:1)
这取决于系统,但在这里你可以简单地检查一下约束。
首先求解非线性系统,得到形式为(x,y)的一个/无/几个解。然后检查这些解决方案中的哪些(如果有的话)满足约束条件。