使用Jython约束多元函数的极小化

Question

我有一个在Jython下运行的python程序（使用第三方Java API），在其中我想计算一个多元函数的约束最小化。

Scipy为此提供了一个完美运行的模块（scipy.optimize），但不幸的是，您无法在Jython中使用scipy。有人知道在Jython有一个好的图书馆/其他方法吗？如果我可以在Jython下运行此程序，那我就准备好了：

scipy.optimize

谢谢！ -迈克尔

Answer 1

这可能不是针对特定用例的最佳解决方案，因为您已经在Jython中拥有了应用程序，但是

def func(x, sign=1.0):
    """ Objective function -- minimize this """
    return sign*(2*x[0]*x[1] + 2*x[0] - x[0]**2 - 2*x[1]**2)

def func_deriv(x, sign=1.0):
    """ Derivative of objective function """
    dfdx0 = sign*(-2*x[0] + 2*x[1] + 2)
    dfdx1 = sign*(2*x[0] - 4*x[1])
    return np.array([ dfdx0, dfdx1 ])

cons = ({'type': 'eq',
         'fun' : lambda x: np.array([x[0]**3 - x[1]]),
         'jac' : lambda x: np.array([3.0*(x[0]**2.0), -1.0])}, #partial derivative of fun
        {'type': 'ineq',
         'fun' : lambda x: np.array([x[1] - 1]),
         'jac' : lambda x: np.array([0.0, 1.0])})   #partial derivative of fun

res = minimize(func, [-1.0,1.0], args=(-1.0,), jac=func_deriv, 
               method='SLSQP', constraints=cons, options={'disp': True})

（JPype）允许CPython程序与JVM上运行的程序进行通讯，但我没有尝试过这是我的自我，但发现了一个您好的世界示例link。

基本上是创建Java类，将其编译为jar，然后在CPython中执行

here

尽管我意识到这会颠倒您的应用程序逻辑。另一种选择是使用

import jpype
import os.path

jarpath = os.path.join(os.path.abspath('.'), 'build/jar')
jpype.startJVM(jpype.getDefaultJVMPath(), "-Djava.ext.dirs=%s" % jarpath)

# get the class
hello_world = jpype.JClass('com.stackoverflow.HelloWorld')
t = hello_world()  # create an instance of the class
t.helloWorld("Say hello")  # try to call one of the class methods
jpype.shutdownJVM()

并序列化输入/输出。

UPDATE

我最近遇到了一个类似的问题，决定尝试一下subprocess，现在可以说值得使用，尽管至少在OSX上安装它存在一些问题，请参阅帮助JPype（某些JVM需要在here中更改路径。

Answer 2

如果您的项目使用的是Jython，则可以使用Slsqp4j在JVM上本地执行求解，并完全跳过编写SciPy代码。 Slsqp4j是SciPy中包含的SLSQP求解器的Java包装器。该API与SciPy的非常相似。它在这里托管：setup.py

（披露：我是作者）