Python Scipy最小化'；不等式约束不相容'；

嗨，我正在尝试最小化一个简单的3变量函数，在x变量中有一些范围成本。。但我发现“不平等约束不相容——有什么想法吗？”？谢谢

from scipy.optimize import minimize

def f(x):
    return (int(558*x[0]*x[1]*x[2])-(x[2]*(558-int(558*x[0])))-(x[2]*558))

x0 = [0.4, 1.0, 2.0]

#real data Ranges 
#x[0] 0..1    
#x[1] 1..3
#x[2] 5..50

cons=( 
        {'type': 'ineq','fun': lambda x: x[0]},
        {'type': 'ineq','fun': lambda x: 1-x[0]},
        {'type': 'ineq','fun': lambda x: x[1]-1},
        {'type': 'ineq','fun': lambda x: 3-x[1]},
        {'type': 'ineq','fun': lambda x: x[2]-5},
        {'type': 'ineq','fun': lambda x: 50-x[2]}
)

res = minimize(f, x0, constraints=cons)
print(res)

全部结果是

    fun: -33490.99993615066
     jac: array([ 6.7108864e+07,  6.7108864e+07, -8.9300000e+02])
 message: 'Inequality constraints incompatible'
    nfev: 8
     nit: 2
    njev: 2
  status: 4
 success: False
       x: array([ 0.4       ,  1.        , 49.99999993])

---

你好，我怀疑这个问题来自于使用的数值方法

默认情况下，在约束条件下，

最小化

使用顺序最小二乘规划（SLSQP），这是一种梯度方法。因此，要最小化的函数必须是规则的，但如果使用

int

，则不是

使用另一种方法：线性近似约束优化（COBYLA），这是一种不同性质的方法，我得到以下结果

从scipy.optimize导入最小化
def f（x）：
返回（int（558*x[0]*x[1]*x[2]）-（x[2]*（558 int（558*x[0]））-（x[2]*558））
x0=[0.4,1.0,2.0]
#实际数据范围
#x[0]0..1
#x[1]1..3
#x[2]5..50
缺点=（
{'type'：'ineq'，'fun'：lambda x:x[0]}，
{'type'：'ineq'，'fun'：lambda x:1-x[0]}，
{'type'：'ineq'，'fun'：lambda x:x[1]-1}，
{'type'：'ineq'，'fun'：lambda x:3-x[1]}，
{'type'：'ineq'，'fun'：lambda x:x[2]-5}，
{'type'：'ineq'，'fun'：lambda x:50-x[2]}
)
res=最小化（f，x0，约束=cons，method=“cobyla”）
打印（res）

用显示器

     fun: -55800.0
   maxcv: 7.395570986446986e-32
 message: 'Optimization terminated successfully.'
    nfev: 82
  status: 1
 success: True
       x: array([-7.39557099e-32,  1.93750000e+00,  5.00000000e+01])

---

你好，我怀疑这个问题来自于使用的数值方法

默认情况下，在约束条件下，

最小化

使用顺序最小二乘规划（SLSQP），这是一种梯度方法。因此，要最小化的函数必须是规则的，但如果使用

int

，则不是

使用另一种方法：线性近似约束优化（COBYLA），这是一种不同性质的方法，我得到以下结果

从scipy.optimize导入最小化
def f（x）：
返回（int（558*x[0]*x[1]*x[2]）-（x[2]*（558 int（558*x[0]））-（x[2]*558））
x0=[0.4,1.0,2.0]
#实际数据范围
#x[0]0..1
#x[1]1..3
#x[2]5..50
缺点=（
{'type'：'ineq'，'fun'：lambda x:x[0]}，
{'type'：'ineq'，'fun'：lambda x:1-x[0]}，
{'type'：'ineq'，'fun'：lambda x:x[1]-1}，
{'type'：'ineq'，'fun'：lambda x:3-x[1]}，
{'type'：'ineq'，'fun'：lambda x:x[2]-5}，
{'type'：'ineq'，'fun'：lambda x:50-x[2]}
)
res=最小化（f，x0，约束=cons，method=“cobyla”）
打印（res）

用显示器

     fun: -55800.0
   maxcv: 7.395570986446986e-32
 message: 'Optimization terminated successfully.'
    nfev: 82
  status: 1
 success: True
       x: array([-7.39557099e-32,  1.93750000e+00,  5.00000000e+01])