Python cvxopt忽略约束

根据以下示例，我将CVXOPT用于线性规划： 我很确定我表达了一个约束

X1 >= 0 

但是得到一个负值。 怎么会？我收到了“找到最佳解决方案”的信息

约束值（右侧）

最小化函数：

c = matrix( [-1.0, -1.0, -1.0] )

电话：

 sol=solvers.lp(c,A,b)

但是：

---

感谢

根据。因此，您应该期望您的约束仅满足此精度级别

编辑因此，为了确保您的“硬”约束确实得到满足，您需要将变量下限设置为等于您的“硬”约束（即在您的情况下为0）加上可行性公差：

X1 >= 1.0e-7

---

根据标准，CVXOPT中的默认可行性公差为1.0e-7。因此，您应该期望您的约束仅满足此精度级别

编辑因此，为了确保您的“硬”约束确实得到满足，您需要将变量下限设置为等于您的“硬”约束（即在您的情况下为0）加上可行性公差：

X1 >= 1.0e-7

---

不确定你所说的“这不起作用”是什么意思，但请参阅我的更新以获得进一步澄清。我希望它能更清楚地解释我想要表达的内容。我已经将可行性容差设置为0，但仍然得到相同的结果。很明显，我做错了什么。然而，我发现了一个不同的解决方案，所以这个问题不再（对我）相关。谢谢也许这是一个旁白，但对我来说这似乎是一个非常关键的问题。我用非常简单的方程测试优化，只是为了看看CVXOPT是否有效，出于某种原因，我得到了那些奇怪的e-7、e-10等答案。然后多亏了安德斯的观点，我不知何故意识到，不确定你所说的“这不起作用”是什么意思，但请参阅我的更新以获得进一步澄清。我希望它能更清楚地解释我想要表达的内容。我已经将可行性容差设置为0，但仍然得到相同的结果。很明显，我做错了什么。然而，我发现了一个不同的解决方案，所以这个问题不再（对我）相关。谢谢也许这是一个旁白，但对我来说这似乎是一个非常关键的问题。我用非常简单的方程测试优化，只是为了看看CVXOPT是否有效，出于某种原因，我得到了那些奇怪的e-7、e-10等答案。多亏了安德斯的观点，我才意识到这一点

print (sol['x']): 
[-4.83e-09]
[ 1.00e+00]
[ 1.00e+00]

-4.83e-09>=0 
False

X1 >= 1.0e-7