Question

我正在尝试使用几种产品的成本来最大化收益。

这是我的代码：

在这段代码中，我计算每种产品的收入，然后将其相加。

   list = [65,78,90] #list of products
    def calcRev(x,list):
        sum = 0
        x = pd.DataFrame(x)
        for i in list:
                        count = 0
                        df_temp = df[df.app_id == i].reset_index()
                        df_temp['cost'] = x[count]
                        df_temp['inst'] = df_temp['cost']/df_temp['cpi']
                        df_temp['rev'] = (df_temp['LTV_accum']* df_temp['inst'])-df_temp['cost']
                        count = count+1
                        sum = sum+df_temp.rev.sum()
        return sum

目标函数：

def obj(x,list):
    return -calcRev(x,list)

约束：

    def constrglobal(x,list):
        return  10000-calcRev(x,list)
cons = ({'type':'ineq','fun':constrglobal,'args':(list,)})

然后我将成本初始化为初始猜测x。由于我有两个产品作为输入，x有两个暗处。 x = np.full((15,), 0)

然后我应用最小化功能：

sol = minimize(obj,x,args=(list,),method='SLSQP',constraints=cons,options={'disp':True})

但是作为解决方案，我仅分配了第一个产品的数据：

sol.x
array([1467.64152006, 1442.41330009, 1417.18518617, 1391.95714139,
       1366.1311581 ,    0.        ,    0.        ,    0.        ,
          0.        ,    0.        ])

能否请您指出问题所在以及如何在所有产品中分配sol.x？

多元函数的优化

0 个答案: