Scipy最小化-无法最小化目标函数

Question

我正在尝试使用scipy minimise优化函数以找到rev_tot的最大值。这里的obj_data是几率列表，prem是一个常数，inc可以取任何实际值。以下是我为目标函数编写的代码：

import numpy as np
import pandas as pd
import scipy
from scipy.optimize import minimize

def objective(x,*args):

    prem = args[0]
    prob = args[1]
    inc = x[0]


    rev_tot = 0
    rev = 0
    del_p = 0.2*(1-np.exp(-2*(1-np.exp(-inc/400))))
    for i in range(len(prob)):
        rev = (prob[i]*(1+del_p)*prem) - inc
        rev_tot = rev_tot + rev
    return 1/rev_tot


prem = 3300
par = [0.9,0.1,0.5,0.4]
x0 = np.array([3]) # initial guess
solve = minimize(objective,x0,args=(prem,par),method='SLSQP')
solve.x

我想找到一个inc值，它将使1/rev_tot最小化（从而使rev_tot最大化。 当我打电话时：

minimize(objective,x0,args=(prem,par),method='SLSQP')

该函数运行，但是solve.x的初始值没有变化。我无法弄清楚为什么没有发生最小化。

Answer 1

您的问题是，由于您的return 1/rev_tot，求解器必须处理很小的数字。因此，x轴上的变化不能很好地反映在y值的变化中，并且求解器估计它已经收敛：

import numpy as np
import pandas as pd
import scipy
from scipy.optimize import minimize

def objective(x,*args):

    prem = args[0]
    prob = args[1]
    inc = x[0]

    rev_tot = 0
    rev = 0
    del_p = 0.2*(1-np.exp(-2*(1-np.exp(-inc/400))))
    for i in range(len(prob)):
        rev = (prob[i]*(1+del_p)*prem) - inc
        rev_tot = rev_tot + rev
    return 1/rev_tot

prem = 3300
par = [0.9,0.1,0.5,0.4]
x0 = np.array([2]) # initial guess
solve = minimize(objective,x0,args=(prem,par),method='SLSQP')
x_min = solve.x
print(x_min)
#plot your function to visualize the outcome
x_func = np.linspace(1, 100, 1000)
y_func = []
for item in x_func:
    y_func.append((objective(np.asarray([item]), prem, par)))

y_min = objective(np.asarray([x_min]), prem, par)

plt.plot(x_func, y_func)
plt.plot(x_min, y_min, "ro")
plt.show()

输出：

[2.]

解决方案1）
Different solvers manage certain problems better than others.将求解器更改为“ Nelder-Mead”。输出：

[63.07910156]

解决方案2）
使用return 1000000/rev_tot扩展求解器“ SLSQP”的返回值。输出：

[63.07110511]