问题描述
嗨,我试图最小化一个简单的 3 变量函数,在 x 变量中有一些范围约束......但我得到'不等式约束不兼容 - 知道吗?谢谢!!
from scipy.optimize import minimize
def f(x):
return (int(558*x[0]*x[1]*x[2])-(x[2]*(558-int(558*x[0])))-(x[2]*558))
x0 = [0.4,1.0,2.0]
#real data Ranges
#x[0] 0..1
#x[1] 1..3
#x[2] 5..50
cons=(
{'type': 'ineq','fun': lambda x: x[0]},{'type': 'ineq','fun': lambda x: 1-x[0]},'fun': lambda x: x[1]-1},'fun': lambda x: 3-x[1]},'fun': lambda x: x[2]-5},'fun': lambda x: 50-x[2]}
)
res = minimize(f,x0,constraints=cons)
print(res)
完整的结果是
fun: -33490.99993615066
jac: array([ 6.7108864e+07,6.7108864e+07,-8.9300000e+02])
message: 'Inequality constraints incompatible'
nfev: 8
nit: 2
njev: 2
status: 4
success: False
x: array([ 0.4,1.,49.99999993])
解决方法
您好,我怀疑问题出在所用的数值方法上。
在默认情况下,minimize
使用连续最小二乘规划 (SLSQP),这是一种梯度方法。因此,要最小化的函数必须是正则的,但考虑到您使用 int
,它不是。
使用替代方法:通过线性逼近(COBYLA)进行约束优化,这是一种不同的性质,我得到以下内容
from scipy.optimize import minimize
def f(x):
return (int(558*x[0]*x[1]*x[2])-(x[2]*(558-int(558*x[0])))-(x[2]*558))
x0 = [0.4,1.0,2.0]
#real data Ranges
#x[0] 0..1
#x[1] 1..3
#x[2] 5..50
cons=(
{'type': 'ineq','fun': lambda x: x[0]},{'type': 'ineq','fun': lambda x: 1-x[0]},'fun': lambda x: x[1]-1},'fun': lambda x: 3-x[1]},'fun': lambda x: x[2]-5},'fun': lambda x: 50-x[2]}
)
res = minimize(f,x0,constraints=cons,method="cobyla")
print(res)
带显示器
fun: -55800.0
maxcv: 7.395570986446986e-32
message: 'Optimization terminated successfully.'
nfev: 82
status: 1
success: True
x: array([-7.39557099e-32,1.93750000e+00,5.00000000e+01])