Question

我有一个优化问题，我正在使用scipy和最小化模块来解决。我使用SLSQP作为方法，因为它是唯一一种适合我的问题的方法。要优化的函数是一个成本函数，其中“ x”是百分比列表。我有一些必须遵守的约束条件：

首先，百分比的总和应为1（PercentSum（x））。如代码中所见，此约束被添加为“ eg”（等于）。
第二个约束是关于一个物理值，该物理值必须小于'proberty1Max'。此约束被添加为“ ineq”（不相等）。因此，如果'proberty1

下面您可以看到我的尝试模型。问题是“约束”功能。我得到的解决方案是“ prop”的总和大于“ probertyMax”。

import numpy as np
from scipy.optimize import minimize

class objects:
     def __init__(self, percentOfInput, min, max, cost, proberty1, proberty2):
         self.percentOfInput = percentOfInput
         self.min = min
         self.max = max
         self.cost = cost
         self.proberty1 = proberty1
         self.proberty2 = proberty2

class data:
    def __init__(self):
        self.objectList = list()
        self.objectList.append(objects(10, 0, 20, 200, 2, 7))
        self.objectList.append(objects(20, 5, 30, 230, 4, 2))
        self.objectList.append(objects(30, 10, 40, 270, 5, 9))
        self.objectList.append(objects(15, 0, 30, 120, 2, 2))
        self.objectList.append(objects(25, 10, 40, 160, 3, 5))
        self.proberty1Max = 1
        self.proberty2Max = 6

D = data()

def optiFunction(x):
    for index, obj in enumerate(D.objectList):
        obj.percentOfInput = x[1]

    costSum = 0
    for obj in D.objectList:
        costSum += obj.cost * obj.percentOfInput

    return costSum

def PercentSum(x):
    y = np.sum(x) -100
    return y

def constraint(x, val):
    for index, obj in enumerate(D.objectList):
        obj.percentOfInput = x[1]
    prop = 0
    if val == 1:
        for obj in D.objectList:
            prop += obj.proberty1 * obj.percentOfInput

        return D.proberty1Max -prop
    else: 
        for obj in D.objectList:
            prop += obj.proberty2 * obj.percentOfInput

        return D.proberty2Max -prop

def checkConstrainOK(cons, x):
    for con in cons:
        y = con['fun'](x)
        if con['type'] == 'eq' and y != 0:
            print("eq constrain not respected y= ", y)
            return False
        elif con['type'] == 'ineq' and y <0:
            print("ineq constrain not respected y= ", y)
            return False
    return True

initialGuess = []
b = []
for obj in D.objectList:
     initialGuess.append(obj.percentOfInput)
     b.append((obj.min, obj.max))
     bnds = tuple(b)

cons = list()
cons.append({'type': 'eq', 'fun': PercentSum})
cons.append({'type': 'ineq', 'fun': lambda x, val=1 :constraint(x, val) })
cons.append({'type': 'ineq', 'fun': lambda x, val=2 :constraint(x, val) })

solution = minimize(optiFunction,initialGuess,method='SLSQP',\
                            bounds=bnds,constraints=cons,options={'eps':0.001,'disp':True})
print('status ' + str(solution.status))
print('message ' + str(solution.message))
checkConstrainOK(cons, solution.x)

无法找到解决方案，但是输出是这样：

Positive directional derivative for linesearch    (Exit mode 8)
        Current function value: 4900.000012746761
        Iterations: 7
        Function evaluations: 21
        Gradient evaluations: 3
status 8
message Positive directional derivative for linesearch

我的错在哪里？在这种情况下，它以模式8结尾，因为该示例非常小。对于更大的数据，算法以模式0结尾。但是我认为它应该以提示无法保持约束为结尾。

如果将property1Max设置为4或1，则没有任何区别。但是，如果将其设置为1，则没有有效的解决方案。

PS：我在这个问题上做了很多改变……现在代码是可执行的。

编辑： 1，好的，我知道，如果输出为positiv（> 0），则接受不等式约束。在过去，我认为<0也将被接受。因此，约束函数现在要短一些。

约束如何？在我的实际解决方案中，我使用循环添加了一些约束。在这种情况下，最好为函数提供循环索引，并在函数中使用该索引选择数组的元素。在我的示例中，“ val”决定该约束是否适用于property1或property2。约束的意思是，空穴混合中有多少特性。因此，我正在计算将属性乘以percentOfInput。 “ prop”是所有对象的总和。

我认为可能与评论中提到的tux007问题有关。 link to the issue 如果最初的猜测不是有效的解决方案，我认为优化器将无法正常工作。线性规划不适用于超定方程。我的问题没有一个独特的解决方案，它是一个近似值。

Answer 1

正如评论中提到的，我认为这是问题所在： Misleading output from....

如果您查看最新更改，则不满足约束条件，但算法会说：“用于线搜索的正方向导数”

优化不考虑约束

1 个答案: