Question

我有以下代码来解决非负最小二乘法。使用scipy.nnls.

import numpy as np
from scipy.optimize import nnls 

A = np.array([[60, 90, 120], 
              [30, 120, 90]])

b = np.array([67.5, 60])

x, rnorm = nnls(A,b)

print x
#[ 0.          0.17857143  0.42857143]
# Now need to have this array sum to 1.

我想要做的是对x解决方案应用约束，使其总和为1.我该怎么做？

Answer 1

我认为您不能直接使用nnls，因为它调用的Fortran code不允许额外的约束。但是，方程总和为1的约束可以作为第三个等式引入，因此您的示例系统具有以下形式，

60 x1 + 90  x2 + 120 x3 = 67.5
30 x1 + 120 x2 +  90 x3 = 60
   x1 +     x2 +     x3 = 1

由于这是一组线性方程，因此可以从x=np.dot(np.linalg.inv(A),b)获得精确解，以便x=[0.6875, 0.3750, -0.0625]。这需要x3为否定。因此，当x对此问题有积极作用时，没有确切的解决方案。

对于x被约束为正的近似解，可以使用

获得

import numpy as np
from scipy.optimize import nnls 

#Define minimisation function
def fn(x, A, b):
    return np.sum(A*x,1) - b

#Define problem
A = np.array([[60., 90., 120.], 
              [30., 120., 90.],
              [1.,  1.,   1. ]])

b = np.array([67.5, 60., 1.])

x, rnorm = nnls(A,b)

print(x,x.sum(),fn(x,A,b))

，x=[0.60003332, 0.34998889, 0.]为x.sum()=0.95。

我认为如果你想要一个更通用的解决方案，包括求和约束，你需要在下面的形式中使用带有显式约束/边界的最小化，

import numpy as np
from scipy.optimize import minimize 
from scipy.optimize import nnls 

#Define problem
A = np.array([[60, 90, 120], 
              [30, 120, 90]])

b = np.array([67.5, 60])

#Use nnls to get initial guess
x0, rnorm = nnls(A,b)

#Define minimisation function
def fn(x, A, b):
    return np.linalg.norm(A.dot(x) - b)

#Define constraints and bounds
cons = {'type': 'eq', 'fun': lambda x:  np.sum(x)-1}
bounds = [[0., None],[0., None],[0., None]]

#Call minimisation subject to these values
minout = minimize(fn, x0, args=(A, b), method='SLSQP',bounds=bounds,constraints=cons)
x = minout.x

print(x,x.sum(),fn(x,A,b))

提供x=[0.674999366, 0.325000634, 0.]和x.sum()=1。从最小化开始，总和是正确的，x的值np.dot(A,x)=[ 69.75001902, 59.25005706]并不完全正确。

如何将约束包含在Scipy NNLS函数解决方案中，使其总和为1

1 个答案: