Question

我想对scipy.optimize.minimize进行五个变量处理，以便根据A，B，C，{ {1}}和D。首先，我从E导入了minimize并定义了初始猜测（基于实验室实验，因此它们应该是有效的）。

scipy

第二，我定义了组成目标函数的各个函数，方便地命名为from scipy.optimize import minimize A0 = 1.90 B0 = 6.40 C0 = 11.7 D0 = 3.70 E0 = 2.50 ABCDE0 = [A0, B0, C0, D0, E0]。我还尝试将Objective，F，G和H组合成一个函数，但没有任何运气，所以我决定暂时将其保留为这样。< / p>

第三，为简单起见，我定义了def F(abcde): a, b, c, d, e = abcde return c - (b ** 2) / (a - e) def G(abcde): a, b, c, d, e = abcde return (4 * e * ((a - e) * c - b ** 2)) / (a * c - b ** 2) def H(abcde): a, b, c, d, e = abcde return b / (2 * (a - e)) def I(abcde): a, b, c, d, e = abcde return (2 * e * b) / (a * c - b ** 2) def Objective(abcde): return (F(abcde) / G(abcde)) / (H(abcde) / I(abcde))（即constraint）和名为(F/G)/(H/I)=1的边界作为初始猜测的bnds。

+/- 10%

第四，最后，def constraint(x): F = x[0] G = x[1] H = x[2] I = x[3] return (F / G) / (H / I) - 1 con = {'type': 'eq', 'fun': constraint1} min_per = 0.9 max_per = 1.1 bnds = ((A0*min_per, A0*max_per), (B0*min_per, B0*max_per), (C0*min_per, C0*max_per), (D0*min_per, D0*max_per), (E0*min_per, E0*max_per))为我提供了一个名为minimize的解决方案。

sol

如果用sol = minimize(Objective, ABCDE0, method='SLSQP', bounds=bnds, constraints=con1, options={'disp':True})打印溶胶，则会显示以下消息。

print(sol)

在我的新手看来，Positive directional derivative for linesearch (Exit mode 8) Current function value: 1.0 Iterations: 18 Function evaluations: 188 Gradient evaluations: 14 fun: 1.0 jac: array([ 0.00000000e+00, 1.49011612e-08, -7.45058060e-09, 0.00000000e+00, 0.00000000e+00]) message: 'Positive directional derivative for linesearch' nfev: 188 nit: 18 njev: 14 status: 8 success: False x: array([ 2.09 , 5.76 , 10.53 , 4.07 , 2.50000277])似乎是问题所在，但我不确定由于constraint的经验不足。

我做错了什么？
为什么执行不成功？
在这种情况下，最好使用@fuglede建议的minimize吗？
是否可以将所有单个功能都包含在一个功能中，以免造成混乱？

请注意，root_scalar和D0未包含在任何函数中，但在事物的总体方案中作为五个独立变量之一很重要。

Answer 1

这里发生了几件事：

首先，出于个人喜好，我可能会将函数F，...，I留给了多个输入，以免拆开列表。目标函数确实需要一个列表作为其参数。即您可以做类似的事情

def F(a, b, c, d, e):
    return c - (b ** 2) / (a - e)

...

def objective(abcde):
    return (F(*abcde) / G(*abcde)) / (H(*abcde) / I(*abcde))

那只是样式。更重要的是，您的constraint方法不会完全满足您的要求：据我了解，您想对输入中的函数F，...，I进行评估，但是永远不会发生相反，变量F的值（这是一个不幸的名称，因为它遮盖了函数的名称）最终仅是a。相反，您会做类似

的操作

def constraint(x):
    return (F(*x) / G(*x)) / (H(*x) / I(*x)) - 1

现在，constraint(x)只是objective(x) - 1，因此您的约束最终表明，在可行的解决方案中，objective必须等于1。这意味着根本没有进行任何优化：任何可行的解决方案都是最优的。先验minimize确实会为您找到可行的解决方案，但您很有可能会尝试使用scipy.optimize的{{3}}中的某些内容这样做是在寻找函数objective - 1的根。

现在，最终，这实际上变得非常简单：无论您定义的函数objective等于1，所以 any 输入都是可行的解决方案：首先，通过编写{{ 1}}，请注意F = ((a-e)c - (b**2))/(a-e)。然后，(a*c-b**2) / (4*e*(a-e))，(F/G)*I = (2*e*b)/(4*e*(a-e)) = b/(2*(a-e)) = H。

如何正确地使用带有多重变量的scipy最小化？

1 个答案: