Question

我的MWE如下

def obj(e, p):
    S = f(e) + g(p)
    return S

我想仅在e上最小化此函数，并将p作为函数的参数传递。但是，我也想要一个依赖于p和e的约束，其形式为p + e < 1

我尝试了

cons = {'type': 'ineq',
       'fun': lambda e, p: -e -p + 1,
       'args': (p)}

然后，对于p = 0.5

，我尝试将其最小化

minimize(obj, initial_guess, method = 'SLSQP', args = 0.5, constraints = cons)

但这不起作用。在定义name 'p' is not defined的行中收到错误cons。如何将参数p传递给目标函数和约束？

下面的完整代码

from scipy.optimize import minimize
from scipy.stats import entropy
import numpy as np

#Create a probability vector
def p_vector(x):
    v = np.array([x, 1-x])
    return v


#Write the objective function 
def obj(e, p):
    S = -1*entropy(p_vector(p + e), base = 2) 
    return S

##Constraints
cons = {'type': 'ineq',
       'fun': lambda e: -p - e + 1,
       'args': (p,)
       }

initial_guess = 0

result = minimize(obj, initial_guess, method = 'SLSQP', args = (0.5, ), constraints = cons)
print(result)

Answer 1

好吧，我发现这是语法错误和参数传递方式的混合体。对于可能有相同问题的人，我将在此处发布答案。

目标函数是obj(e, p)。我们只想最小化e，所以我们创建其他自变量arguments = (0.5,)的元组。即，设置了特定值p=0.5。接下来定义约束函数

def prob_bound(e, p):
    return -e - p + 1

现在将约束字典写为

cons = ({'type': 'ineq',
       'fun': prob_bound,
       'args': arguments       
       })

最后，有人叫最小化器

result = minimize(obj, initial_guess, method = 'SLSQP', args = arguments, constraints = cons)

Scipy最小化：如何将args传递给目标和约束

1 个答案: