Python scipy优化没有找到最小值
试图使用Python scipy优化没有找到最小值,python,numpy,optimization,scipy,minimize,Python,Numpy,Optimization,Scipy,Minimize,试图使用scipy.optimize.minimize,似乎优化失败了。我做了以下工作: 1.目标函数为:f(x)=x[0]+x[1]+x[2]+x[3]+10 2.约束条件是:x_i>=0 3.最初的猜测是:x0=[1,1,1,1] 非常平凡的问题,最优解x=[0,0,0,0],f(x)=10 守则: def pos(x): return min(x) def f1(p): return (p[0] + p[1] + p[2] +p[3] + 10) cons2 = ({'ty
scipy.optimize.minimize
,似乎优化失败了。我做了以下工作:1.目标函数为:
f(x)=x[0]+x[1]+x[2]+x[3]+10
2.约束条件是:
x_i>=0
3.最初的猜测是:
x0=[1,1,1,1]
非常平凡的问题,最优解
x=[0,0,0,0],f(x)=10
守则:
def pos(x):
return min(x)
def f1(p):
return (p[0] + p[1] + p[2] +p[3] + 10)
cons2 = ({'type' : 'ineq', 'fun' : pos})
x0 = np.array([1,1,1,1])
res = opt.minimize(f1, x0,method='SLSQP',constraints=cons2)
我得到以下结果:
fun: 100543626.59510386
jac: array([ 0., 0., 0., 0., 0.])
message: 'Optimization terminated successfully.'
nfev: 54
nit: 9
njev: 9
status: 0
success: True
x: array([ 24128556.46553156, 24130378.42917114, 28154390.61929696,
24130291.0811042 ])
这显然是错误的答案(但成功标志是正确的)。我知道有一些假设“f”必须遵循,但在这种情况下“f”只是一个超平面,所以我真的很困惑。有什么想法吗 更换
def pos(x):
return min(x)
与
(不等式约束函数可以返回向量;向量的每个分量都必须满足约束。)
这两个公式在数学上似乎是等价的,但您的版本中的某些内容破坏了计算。这可能是因为SLSQP算法假设约束函数是可微的,min(x)
是不可微的
def pos(x):
return x