用scipy约束

Question

我有一个约束条件下的多目标优化问题（最大化），其实我通过加权技术把它转化为单目标问题，我增加了2个变量x1，x2（要优化），约束条件是 0 <x1 + x2 <1 所以它们的总和必须严格小于1，从而产生下面代码中描述的第三个目标函数。

当我执行时，总和总是大于1。

    for i in range(len(f1)):
        def f(x):
            x1= x[0]
            x2= x[1]
            return -(x1*f1[i]+ x2*f2[i]+ (1-x1-x2)*f3[i])

        def constraint(x):
            return x[0]+x[1]-1

        b= (0.2, 0.8)
        bnds= (b, b)
        x0=[0.5,0.4]

        cons= ({'type': 'ineq','fun':constraint})

        res = minimize(f,x0, method= 'SLSQP', bounds=bnds, constraints=cons)

        print('Vect_ponderation : ', res.x)

輸出結果

Vect_ponderation :  [0.8 0.8]
Vect_ponderation :  [0.8 0.8]
Vect_ponderation :  [0.8 0.8]
Vect_ponderation :  [0.8 0.8]

Answer 1

的 文件 说。

同等约束是指约束函数的结果为零。而不等式则是指它要是非负的. 注意，COBYLA只支持不等式约束。

def constraint(x):
    return x[0] + x[1] -1

是指:

x0 + x1 - 1 >= 0  # non-negative
<-> 
x0 + x1 >= 1

在你的解决方案中，它是被尊重的。

你可能想要。

def constraint(x):
    return - x[0] - x[1] + 1

也请记住，没有一个概念是... 严格不等式. 你需要介绍一些 ε 不断的先验一样。eps = 1e-6:

def constraint(x):
    return - x[0] - x[1] + 1 - EPS

Answer 2

我的理解是，你的问题是输出有 x1+x2>1. 我查过了 优化 文档中，它说："不等式是指它要是非负数"。因此，你要求的东西与你认为的要求相反。

建议。

• 你的函数非常简单 所以试着提供jacobian作为额外的参数。这样拟合的效率会高很多。

• 试着提出 最低限度的重现性例子. 这样回答起来就容易多了。你的问题缺乏 f1, f2和 f3 定义。

• 试着提出一个问题。我发现了一些东西，可能是你想解决的问题，但我不确定，因为你的问题中没有问题（即带问号的句子）。