python2.x-3.x之间的scipy.optimize.minimize结果不同
基本上,我有一个非线性约束问题,使用scipy.optimize.minimize中的SLSQP解算器。不幸的是,问题(相同的文件,相同的代码)是在不同的计算机(一个Windows,一个Linux)上返回不同的结果。scipy版本是相同的(1.2.1)。这是我的密码:python2.x-3.x之间的scipy.optimize.minimize结果不同,python,numpy,scipy,scipy-optimize,scipy-optimize-minimize,Python,Numpy,Scipy,Scipy Optimize,Scipy Optimize Minimize,基本上,我有一个非线性约束问题,使用scipy.optimize.minimize中的SLSQP解算器。不幸的是,问题(相同的文件,相同的代码)是在不同的计算机(一个Windows,一个Linux)上返回不同的结果。scipy版本是相同的(1.2.1)。这是我的密码: import numpy as np from scipy.optimize import minimize class OptimalAcc(): def __init__(self, v0, tg, tr, D0,
import numpy as np
from scipy.optimize import minimize
class OptimalAcc():
def __init__(self, v0, tg, tr, D0, sgr, l, t0, a0, b0,
rho_t=0.5, rho_u=0.5, vM=15, vm=2.78, aM=2.5, am=-2.9):
# Problem constants
self.v0 = v0
self.D0 = D0
self.sgr = sgr
self.l = l
self.T = tg + tr
self.D = tg / self.T
self.t0 = t0
self.a0 = a0
self.b0 = b0
self.rho_t = rho_t
self.rho_u = rho_u
self.vM = vM
self.vm = vm
self.aM = aM
self.am = am
def cost_fn(self, x):
# Acceleration profile variables
t = x[:1]
a = x[1:2]
b = x[2:3]
# Objective function
f = self.rho_t*x[:1]+self.rho_u*(a**2*t**3/3 +
a*b*t**2 +
b**2*t)
return f
def solve(self):
# Inequality constraints
ineq = ({'type':'ineq',
'fun':lambda x: np.array([self.aM - x[2],
x[2]-self.am,
x[0],
self.vM - (self.v0 + x[2]*x[0] + 0.5*x[1]*x[0]**2),
self.v0 + x[2]*x[0] + 0.5*x[1]*x[0]**2 - self.vm,
np.sin(np.pi*self.D - np.pi/2)-
np.sin(2*np.pi*(x[0] -((self.D0*self.T)/abs(self.sgr-2)))/self.T + 3*np.pi/2 - np.pi*self.D)])})
# Equality constraints
eq = ({'type':'eq',
'fun':lambda x: np.array([x[1]*x[0] + x[2],
self.v0*x[0] + 0.5*x[2]*x[0]**2 + x[1]*x[0]**3/6 - self.l])})
# Starting points
x0 = np.array([self.t0, self.a0, self.b0])
# Solve optimization problem
res = minimize(self.cost_fn,
x0=x0,
constraints=[ineq,eq],
options={'disp': True})
return res
if __name__== "__main__":
v0 = 1
tg = 20
tr = 20
D0 = 1
sgr = 1
l = 70
t0 = 10
a0 = -0.1
b0 = 1.5
# Create instance of optimization problem class
obj = OptimalAcc(v0, tg, tr, D0, sgr, l, t0, a0, b0)
# Solve problem and return optimal profile
u_t = obj.solve().x
print('x_1:',u_t[0])
print('x_2:',u_t[1])
print('x_3:',u_t[2])
Windows计算机产生:
Optimization terminated successfully. (Exit mode 0)
Current function value: 8.696191258640086
Iterations: 7
Function evaluations: 35
Gradient evaluations: 7
x_1: 13.508645429307041
x_2: -0.06874922875473621
x_3: 0.9287089606820067
Positive directional derivative for linesearch (Exit mode 8)
Current function value: 14.4116342889
Iterations: 17
Function evaluations: 147
Gradient evaluations: 13
x_1: 7.65875894797259
x_2: -0.241800477348664
x_3: 2.5000000000000053
我相信这些结果是局部最优的,我可以在MATLAB中用fmincon验证相同的输出
但是,Linux机器会产生:
Optimization terminated successfully. (Exit mode 0)
Current function value: 8.696191258640086
Iterations: 7
Function evaluations: 35
Gradient evaluations: 7
x_1: 13.508645429307041
x_2: -0.06874922875473621
x_3: 0.9287089606820067
Positive directional derivative for linesearch (Exit mode 8)
Current function value: 14.4116342889
Iterations: 17
Function evaluations: 147
Gradient evaluations: 13
x_1: 7.65875894797259
x_2: -0.241800477348664
x_3: 2.5000000000000053
显然,优化器被困在Linux计算机中。这可能是什么原因造成的?我唯一的猜测是,numpy中的某些精确性导致了这些数字的下降。正如评论中所讨论的,这个问题很可能与Windows和Linux无关,而更多的是Python 2和Python 3。例如
a**2*t**3/3
Python2和Python3之间可能看起来有所不同,因为可能只涉及整数(代码中有更多类似的示例)
一个简单的解决方法可能是包括
from __future__ import division
在脚本的顶部,它将处理在Python 2和Python 3中如何执行划分的差异。正如在评论中所讨论的,这个问题很可能与Windows和Linux无关,而更多的是Python 2和Python 3。例如
a**2*t**3/3
Python2和Python3之间可能看起来有所不同,因为可能只涉及整数(代码中有更多类似的示例)
一个简单的解决方法可能是包括
from __future__ import division
在脚本的顶部,它将处理Python 2和Python 3中如何执行除法的差异。无法重现结果;在Ubuntu18.04上运行它会得到与您在windows上报告相同的结果(运行scipy
1.1.0
和numpy1.15.1
)。您使用的是哪种python版本?Linux计算机运行的是2.7,Windows是3.6。但我假设Python不是罪魁祸首?啊,事实上,这可能就是罪魁祸首。在Python 2中,a**2*t**3/3
如果所有值都是整数,即使用整数而不是浮点数的所有分数,则可能会导致问题。你能在顶部添加一个来自未来进口部门的,看看这是否解决了问题吗?你是对的!我现在没有访问Linux机器的权限,但我在Windows计算机上的Linux虚拟机上复制了所有内容,并在添加了来自导入部门的后获得了这两个结果。非常感谢!这是调试中的一个教训:机器a是Linux/Python2.7,B是Win/Python3.6。简单地陈述这些事实,不要妄想那一定是操作系统。另外,将苹果与苹果进行比较:在两个3.6平台上运行它(!)。另外,到目前为止,有大量关于2-3迁移的迁移指南/测试实践,请阅读并编写一些测试用例;在Ubuntu18.04上运行它会得到与您在windows上报告相同的结果(运行scipy1.1.0
和numpy1.15.1
)。您使用的是哪种python版本?Linux计算机运行的是2.7,Windows是3.6。但我假设Python不是罪魁祸首?啊,事实上,这可能就是罪魁祸首。在Python 2中,a**2*t**3/3
如果所有值都是整数,即使用整数而不是浮点数的所有分数,则可能会导致问题。你能在顶部添加一个来自未来进口部门的,看看这是否解决了问题吗?你是对的!我现在没有访问Linux机器的权限,但我在Windows计算机上的Linux虚拟机上复制了所有内容,并在添加了来自导入部门的后获得了这两个结果。非常感谢!这是调试中的一个教训:机器a是Linux/Python2.7,B是Win/Python3.6。简单地陈述这些事实,不要妄想那一定是操作系统。另外,将苹果与苹果进行比较:在两个3.6平台上运行它(!)。另外,到目前为止,有大量关于2到3迁移的迁移指南/测试实践,请阅读并编写一些测试用例。