Question

我一直在使用scipy.optimize.minimize (docs)

，当我定义一个无法满足约束的问题时，注意到一些奇怪的行为。这是一个示例：

from scipy import optimize

# minimize f(x) = x^2 - 4x
def f(x):
    return x**2 - 4*x

def x_constraint(x, sign, value):
    return sign*(x - value)

# subject to x >= 5 and x<=0 (not possible)
constraints = []
constraints.append({'type': 'ineq', 'fun': x_constraint, 'args': [1, 5]})
constraints.append({'type': 'ineq', 'fun': x_constraint, 'args': [-1, 0]})

optimize.minimize(f, x0=3, constraints=constraints)

结果输出：

fun: -3.0
     jac: array([ 2.])
 message: 'Optimization terminated successfully.'
    nfev: 3
     nit: 5
    njev: 1
  status: 0
 success: True
       x: array([ 3.])

没有满足约束条件的解决方案，但是，使用初始条件作为最佳解决方案，minimum（）成功返回。

此行为是故意的吗？如果是这样，如果最佳解决方案不满足约束条件，是否有办法强制失败？

Answer 1

这似乎是一个错误。我在issue on github上添加了带有您的示例变体的评论。

如果使用其他方法（例如COBYLA），则该函数将无法正确找到解决方案：

In [10]: optimize.minimize(f, x0=3, constraints=constraints, method='COBYLA')
Out[10]: 
     fun: -3.75
   maxcv: 2.5
 message: 'Did not converge to a solution satisfying the constraints. See `maxcv` for magnitude of violation.'
    nfev: 7
  status: 4
 success: False
       x: array(2.5)

不满足约束条件时，Scipy Optimize.minimize成功退出

1 个答案: