Question

尝试使用scipy.optimize.minimize，似乎优化失败了。我做了以下几点：
1.目标函数是：f(x)= x[0]+x[1]+x[2]+x[3]+10
2.约束是：x_i >= 0
3.最初的猜测是：x0 = [1,1,1,1]
非常琐碎的问题，最优解x=[0,0,0,0], f(x)=10 代码：

def pos(x):
    return min(x)
def f1(p):
    return (p[0] + p[1] + p[2] +p[3] + 10)
cons2 = ({'type' : 'ineq', 'fun' : pos})
x0 = np.array([1,1,1,1])
res = opt.minimize(f1, x0,method='SLSQP',constraints=cons2)

我得到以下结果：

 fun: 100543626.59510386
 jac: array([ 0.,  0.,  0.,  0.,  0.])
message: 'Optimization terminated successfully.'
nfev: 54
 nit: 9
njev: 9
status: 0
success: True
   x: array([ 24128556.46553156,  24130378.42917114,  28154390.61929696,
    24130291.0811042 ])

这显然是错误的答案（但成功标志是真的）我知道有一些假设＆＃34; f＆＃34;必须遵循，但在这种情况下＆＃34; f＆＃34;只是一个超平面，所以我真的很困惑。有任何想法吗？

Answer 1

替换

def pos(x):
    return min(x)

与

def pos(x):
    return x

（不等式约束函数可以返回一个向量;向量的每个分量都必须满足约束。）

这两个配方在数学上似乎是等价的，但是关于你的版本的某些内容打破了计算。这可能是因为SLSQP算法假设约束函数是可微的，min(x)不可微分。

Python scipy优化找不到最小值

1 个答案: