Question

我使用scipy.optimize.minimize来解决复杂的储层优化模型（SQSLP和COBYLA，因为问题受到边界和约束方程的约束）。每天有一个决策变量（存储），并且在目标函数内计算来自储层的释放作为存储变化的函数。然后应用基于释放和存储处罚的处罚，目的是最小化处罚（目标函数是所有处罚的总和）。我在此模型中添加了一些约束，以将存储的变化限制为物理系统限制，这是决策变量x（t + 1）和x（t）之间的差异，并且还取决于该时间步的流入量它）。使用for循环将这些约束添加到约束字典列表中。在for循环函数之外添加的约束应该如此。但是，在for循环中启动的涉及时间的约束不会。

显然问题很复杂，所以我重新创建了一个更简单的版本来说明问题。这个问题有四个决策变量，并试图通过稳态约束（I =流入必须等于x =流出）和非负性（即流出x不能为负）来最小化目标函数（我称之为函数）。：

    import numpy as np
    from scipy.optimize import minimize

    def function(x):
        return -1*(18*x[0]+16*x[1]+12*x[2]+11*x[3])

    I=np.array((20,50,50,80))
    x0=I

    cons=[]
    steadystate={'type':'eq', 'fun': lambda x: x.sum()-I.sum() }
    cons.append(steadystate)


    for t in range (4):
        def const(x):    
            y=x[t]
            return y
        cons.append({'type':'ineq', 'fun': const})

    out=minimize(function, x0, method="SLSQP", constraints=cons)
    x=out["x"]

for循环中启动的约束是非负性约束，但优化为决策变量提供负值。但它确实遵守了稳态约束。

当我使用以下代码计算问题时，值被正确约束：

    import numpy as np
    from scipy.optimize import minimize

    def function(x):
        return -1*(18*x[0]+16*x[1]+12*x[2]+11*x[3])

    I=np.array((20,50,50,80))
    x0=I

    cons=[]
    steadystate1={'type':'eq', 'fun': lambda x: x.sum()-I.sum() }
    cons.append(steadystate1)


    nonneg0 = {'type':'ineq', 'fun': lambda x: x[0]}
    nonneg1= {'type':'ineq', 'fun': lambda x: x[1]} 
    nonneg2 = {'type':'ineq', 'fun': lambda x: x[2]} 
    nonneg3 = {'type':'ineq', 'fun': lambda x: x[3]} 
    cons.append(nonneg0)
    cons.append(nonneg1)
    cons.append(nonneg2)
    cons.append(nonneg3)

    out=minimize(function, x0, method="SLSQP", constraints=cons)
    x=out["x"]

我出错的任何想法？我已经看到在其他应用程序中出现类似的约束，所以我无法弄清楚但是假设它很简单。我在我的完整版本的代码中启动了数百个约束，因此在第二个示例中将它们写出来并不理想。

Answer 1

我不太了解Python，但我知道如何解决您的问题。在您的第一个代码段const函数中使用对t本身的引用（因为内部函数与外部共享范围），因此产生相当于：

cons[0] = {'type':'ineq', 'fun': lambda x: x[t]}
cons[1] = {'type':'ineq', 'fun': lambda x: x[t]} 
cons[2] = {'type':'ineq', 'fun': lambda x: x[t]} 
cons[3] = {'type':'ineq', 'fun': lambda x: x[t]}

这是错误的。这可以通过使用咖喱来解决：

import numpy as np
from scipy.optimize import minimize

def function(x):
    return -1*(18*x[0]+16*x[1]+12*x[2]+11*x[3])

I=np.array((20,50,50,80))
x0=I

cons=[]
steadystate={'type':'eq', 'fun': lambda x: x.sum()-I.sum() }
cons.append(steadystate)

def f(a):
    def g(x):
        return x[a]
    return g

for t in range (4):
    cons.append({'type':'ineq', 'fun': f(t)})

out=minimize(function, x0, method="SLSQP", constraints=cons)
x=out["x"]

在幕后，这种方法创建了对t所持有的值的新引用（当您将其作为参数传递给f时）并存储此引用以供g使用，现在生成一系列正确的函数。

scipy.optimize.minimize（COBYLA和SLSQP）忽略for循环

1 个答案: