如何使用自定义函数解决线性规划优化问题

Question

我需要使用

linprog

进行优化（

minimize

占用太多 RAM），但我需要添加一个相对复杂的约束，无法用矩阵表示。有没有办法将

minimize

与类似

linprog

的解算器一起使用，而不使用大量内存？或者有没有办法在 linprog 中实现自定义函数？

这是我想做的一个例子：

# inequality constraint
cons = lambda x: sum(x) - 1000
bounds = [(0, 1) for _ in enumerate(solution_length)
coefficients = # coefficients here

results = scipy.optimize.minimize(coefficients, cons=({"ineq": cons},), bounds = bounds)

或者使用 scipy minimize 和大小为 10,000,000+ 的矩阵来解决线性问题，而不用非线性方法求解。

我应该从哪里开始？

Answer 1

正如函数的作者 @MattHaberland 提到的，无法在

linprog

或

milp

中实现自定义可调用。我最终能够重新实现

linprog

的多次迭代来解决我的问题（感谢 @NickODell），但如果函数 absolute 需要自定义可调用，那么

minimize

是您最好的选择。

有关解决复杂线性规划问题的更多信息，这里有一篇关于最基本问题之一的维基百科文章，即旅行推销员：https://en.wikipedia.org/wiki/Travelling_salesman_problem