Python 对外部代码的约束优化

Question

我正在尝试用 Python 包装外部代码，然后对其执行约束优化。我认为

scipy.optimize

应该有效，但我不确定如何设置约束。我的实际代码无法共享，但我想我可以在没有它的情况下说明问题。

假设我的外部代码采用这种形式：

def external_code(x):
    # does stuff with the x[0] through x[2] inputs
    # calculates all the outputs, y[0] through y[5]
    return y

假设我的优化目标是最小化

y[0]

，这是在外部代码中计算的内容之一，受到许多约束。首先，各个

x

输入的可接受值存在限制，我认为我可以这样处理：

bounds = Bounds([0.0, -np.inf, 0.0], [10.0, 10.0, 2.0])

。为了实现有效的最优，还必须遵守一些约束。与我发现的文档或讲座示例中的示例不同，我的约束是外部代码的其他输出（即，

y[1]

到

y[5]

），而不是

的直接/简单组合。 x

输入。我想我需要设置一个像这样的约束函数：

def constraint_fcn(y):
    return np.array([5.0 - y[1],
                     1.0 - y[2],
                     1.0 - (y[3]+y[4]+y[5])
                    ])

我相信我需要将外部代码包装在一个附加层中，这样优化器就只有一个返回值可以操作，即

def minimize_this(x):
    y = external_code(x)
    return y[0]

对优化器的调用将类似于：

x0 = np.array([1.0, 0.0, 1.0])
res = scipy.optimize.minimize(minimize_this, x0, method='SLSQP', bounds=bounds,
                              constraints={'fun': constraint_fcn, 'type': 'ineq'})

问题是，虽然

minimize_this

设置为在

x0

上运行以及优化器每次连续选择

x

，但

constraint_fcn

并不意味着在

x

上运行，而是在那些附加的

y 上运行

调用

external_code

返回的值。理论上我可以设置

constraint_fcn

来代替接收

x

，自己调用

external_code

，然后根据

y[1]

到

y[5]

设置限制，但这意味着

minimize_this

和

constraint_fcn

正在对 external_code 进行

单独 

调用，出于计算性能原因，这是不可接受的。我在文档中看到要最小化的函数和约束函数都可以传递附加参数，但我没有看到如何将函数中的东西传递给我最小化到约束函数。我怀疑我只需要重新表述一些东西，但我一直无法找到更像我的设置的示例。

Answer 1

我认为你将被迫更多地评估你的外部功能。您可以更新

constraint_fcn

以将

x

作为参数，并通过外部函数求值获取 y 值。

def constraint_fcn(x):
    y = external_code(x)
    return np.array([5.0 - y[1],
                     1.0 - y[2],
                     1.0 - (y[3]+y[4]+y[5])
                    ])