Question

我必须尽量减少以下功能：

def foo(x):
        sigma1 = sum([sum([KS * x[U + e * K + k] for k in range(K)]) for e in range(E)])
        sigma2 = sum([W * c for c in x[U + Y: U + Y + X]])
        sigma3 = sum([T * z for r in x[U + Y + X:]])
        return sigma1 + sigma2 + sigma3

其中KS，U，K，E，W，Y，X，T是常数，x是范围[0; 1]中数字的向量。

此外，必须匹配几个约束：

cons = [
        {
           'type': 'ineq', 'fun': lambda x, k=k, e=e:  x[U + K * e + k + 1] - x[U + K * e + k]
        }
        for k in range(K - 1) for e in range(E)
    ]

cons += [
        {
            'type': 'ineq', 'fun': lambda x, r=r, c=c: x[U + Y + X + r - 1] - x[U + Y + c]
        }
        for r in range(R)
    for c in range(C)
    ]
cons += [
        {
            'type': 'ineq', 'fun': lambda x, e=e: sum([M * x[U + e * K + k] for k in range(K)]) - sum(V * x[E * d + e] for d in range(D)])
        }
        for e in range(E)
    ]
cons += [
        {
            'type': 'ineq', 'fun': lambda x, k=k, c=c, e=e: x[U + Y + c] - x[U + e * K + k]
        }
                for r in range(R)
            for c in range(C)
        for e in range(E)
    for k in range(K)
    ]
cons += [
        {
            'type': 'eq', 'fun': lambda x, d=d, i=i: sum(x[E * i + e] for e in some_dict[d["ENTRY"]].values()) - 1
        }
        for i, d in enumerate(dicts)
    ]

，其中M，V，D，C是常量，dicts是字典列表，在“ENTRY”键下也带有字典。初始猜测向量：

init_guess = [1] * (U + C + Y + Z)

最小化：

result = scipy.optimize.minimize(fun=foo, x0=init_guess, method='SLSQP', constraints=cons, options={"maxiter": 5000}, bounds=[(0, 1) for _ in range(len(init_guess))])

但是，输出如下所示：

nfev: 159
fun: 17480.0
status: 6
njev: 1
   x: array([ 1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,
    1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,
    1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,
    1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,
    1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,
    1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,
    1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,
    1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,
    1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,
    1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,
    1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,
    1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.])
 message: 'Singular matrix C in LSQ subproblem'
 jac: array([    0.,     0.,     0.,     0.,     0.,     0.,     0.,     0.,
       0.,     0.,     0.,     0.,     0.,     0.,     0.,     0.,
       0.,     0.,     0.,     0.,     0.,     0.,     0.,     0.,
       0.,     0.,     0.,     0.,     0.,     0.,     0.,     0.,
       0.,     0.,     0.,     0.,     0.,     0.,     0.,     0.,
       0.,     0.,     0.,     0.,     0.,     0.,     0.,     0.,
       0.,     0.,     0.,     0.,     0.,     0.,     0.,     0.,
       0.,     0.,     0.,     0.,     0.,     0.,     0.,     0.,
      15.,    15.,    15.,    15.,    15.,    15.,    15.,    15.,
      15.,    15.,    15.,    15.,    15.,    15.,    15.,    15.,
      15.,    15.,    15.,    15.,    15.,    15.,    15.,    15.,
      15.,    15.,    15.,    15.,    15.,    15.,    15.,    15.,
      15.,    15.,    15.,    15.,    15.,    15.,    15.,    15.,
      15.,    15.,    15.,    15.,    15.,    15.,    15.,    15.,
      15.,    15.,    15.,    15.,    15.,    15.,    15.,    15.,
      15.,    15.,    15.,    15.,    15.,    15.,    15.,    15.,
      80.,    80.,    80.,    80.,    80.,    80.,    80.,    80.,
      80.,    80.,    80.,    80.,    80.,    80.,    80.,    80.,
      80.,    80.,    80.,  1500.,  1500.,  1500.,  1500.,  1500.,
    1500.,  1500.,  1500.,  1500.,  1500.,     0.])
 nit: 1
 success: False

我不仅不理解为什么会失败，而且为什么雅可比矩阵尽管计算正确，但最后还有一个额外的'0'（所以它比初始猜测向量长1个元素）。我曾尝试明确发送雅可比，但结果仍然相同。我不能使用其他最小化方法，因为只有SLSQP可以处理'eq'和'ineq'约束以及边界。如果scipy.optimize.minimize不是一个好的工具，有人可以建议另一个Python库，它能解决这个问题吗？我不熟悉线性优化，但我必须在Python中这样做。

Answer 1

我建议使用GLPK / Python：https://en.wikibooks.org/wiki/GLPK/Python。它是免费的，开源的，它可以解决LP和MIP的问题，你可以在许多linux存储库中找到它。

使用Python中的边界最小化多变量，约束线性函数？

1 个答案: