我需要优化一个关于向量x
的函数f
,它以一个常数矩阵m
作为输入,并返回一个标量v >= 0
。
随机数MWE:
import numpy as np
from scipy.optimize import minimize
np.random.seed(1)
m = np.array([[1,0,0.15],[2,0,0.15],[1.5,0.2,0.2],[3,0.5,0.1],[2.2,0.1,0.15]])
x0 = np.random.rand(5)*2
def f(x, m):
pg = -np.concatenate((-arr[:, :2], x.reshape(-1, 1)), axis=1).sum(axis=1)
return sum(arr[:, 2] * pg)
res = minimize(
f, x0,
method='nelder-mead', args=(m,),
options={'xatol': 1e-8, 'maxiter': 1e+4, 'disp': True}
)
如何设置输出值的约束条件?就我在文档中看到的,我只能设置输入值的约束条件。我看到this post说要使用minimize_scalar
,但它也只能在输入为标量时使用。
1条答案
按热度按时间vyswwuz21#
简单地添加约束f(x,m)〉= 0:
或者,您可以通过最小化目标的某个向量范数(例如f(x,m)**2)来强制执行正目标函数值。
PS:你的函数的第二个参数应该是
arr
而不是m
。PPS:由于目标函数和约束条件都是连续可微的,因此基于梯度的算法很可能比Nelder-Mead算法性能更好,即使梯度是通过有限差分近似的。