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]
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
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)。