优化不尊重约束

Question

我有一个优化问题，我用scipy和最小化模块解决它。我使用SLSQP作为方法，因为它是唯一适合我的问题的方法。要优化的功能是成本函数，“x”作为百分比列表。我有一些必须遵守的限制：

• 首先，百分比之和应为1（Perx Sumx））此约束将添加为“eg”（相等），如您在代码中所见。
• 第二个约束是关于物理值，它必须小于'proberty1Max'。此约束添加为'ineq'（不等）。因此，如果'proberty1 <proberty1Max'函数应该大于0.否则函数应为0.函数是可微的。

下面你可以看到我尝试的模型。问题是'约束'功能。我得到了解决方案，其中'prop'的总和大于'probertyMax'。

import numpy as np
from scipy.optimize import minimize

class objects:
     def __init__(self, percentOfInput, min, max, cost, proberty1, proberty2):
         self.percentOfInput = percentOfInput
         self.min = min
         self.max = max
         self.cost = cost
         self.proberty1 = proberty1
         self.proberty2 = proberty2

class data:
    def __init__(self):
        self.objectList = list()
        self.objectList.append(objects(10, 0, 20, 200, 2, 7))
        self.objectList.append(objects(20, 5, 30, 230, 4, 2))
        self.objectList.append(objects(30, 10, 40, 270, 5, 9))
        self.objectList.append(objects(15, 0, 30, 120, 2, 2))
        self.objectList.append(objects(25, 10, 40, 160, 3, 5))
        self.proberty1Max = 1
        self.proberty2Max = 6

D = data()

def optiFunction(x):
    for index, obj in enumerate(D.objectList):
        obj.percentOfInput = x[1]

    costSum = 0
    for obj in D.objectList:
        costSum += obj.cost * obj.percentOfInput

    return costSum

def PercentSum(x):
    y = np.sum(x) -100
    return y

def constraint(x, val):
    for index, obj in enumerate(D.objectList):
        obj.percentOfInput = x[1]
    prop = 0
    if val == 1:
        for obj in D.objectList:
            prop += obj.proberty1 * obj.percentOfInput

        return D.proberty1Max -prop
    else: 
        for obj in D.objectList:
            prop += obj.proberty2 * obj.percentOfInput

        return D.proberty2Max -prop

def checkConstrainOK(cons, x):
    for con in cons:
        y = con['fun'](x)
        if con['type'] == 'eq' and y != 0:
            print("eq constrain not respected y= ", y)
            return False
        elif con['type'] == 'ineq' and y <0:
            print("ineq constrain not respected y= ", y)
            return False
    return True

initialGuess = []
b = []
for obj in D.objectList:
     initialGuess.append(obj.percentOfInput)
     b.append((obj.min, obj.max))
     bnds = tuple(b)

cons = list()
cons.append({'type': 'eq', 'fun': PercentSum})
cons.append({'type': 'ineq', 'fun': lambda x, val=1 :constraint(x, val) })
cons.append({'type': 'ineq', 'fun': lambda x, val=2 :constraint(x, val) })

solution = minimize(optiFunction,initialGuess,method='SLSQP',\
                            bounds=bnds,constraints=cons,options={'eps':0.001,'disp':True})
print('status ' + str(solution.status))
print('message ' + str(solution.message))
checkConstrainOK(cons, solution.x)

没有办法找到解决方案，但输出是这样的：

Positive directional derivative for linesearch    (Exit mode 8)
        Current function value: 4900.000012746761
        Iterations: 7
        Function evaluations: 21
        Gradient evaluations: 3
status 8
message Positive directional derivative for linesearch

我的错在哪里？在这种情况下，它以模式8结束，因为该示例非常小。对于更大的数据，算法以模式0结束。但我认为它应该以提示不能保持约束为结束。

如果proberty1Max设置为4或1，则没有什么区别。但是如果它是1，则无法找到有效的解决方案。

PS：我在这个问题上做了很多改变......现在代码是可执行的。

编辑：1.Okay，我了解到，如果输出是positiv（> 0），则接受不等约束。在过去，我认为<0也将被接受。因此，约束函数现在有点短。

2. 约束怎么样？在我真正的解决方案中，我使用循环添加一些约束。在这种情况下，使用循环索引提供函数是很好的，并且在函数中，此索引用于选择数组的元素。在我的例子中，“val”决定约束是否适用于proberty1或者property2。约束意味着什么，在混合孔中有多少属性。所以我正在计算属性乘以percentOfInput。 “prop”是所有对象的总和。

我认为可能与评论中提到的tux007问题存在关联。 link to the issue如果初始猜测不是有效的解决方案，我认为优化器不能正常工作。线性规划对于超定方程并不好。我的问题没有一个独特的解决方案，它是一个近似值。

Answer 1

正如评论中提到的，我认为这是问题所在：Misleading output from....

如果您查看最新的更改，则不满足约束，但算法会说：“linesearch的正方向导数”