Python 如何在scipy中使用带约束的最小化函数

我需要一些关于python（scipy）中优化函数的帮助 问题是优化

f（x）

其中

x=[a，b，c…n]

。约束条件是a、b等的值应介于0和1之间，并且

sum（x）==1

。scipy.optimize.minimize函数似乎最好，因为它不需要微分。我如何传递参数

使用排列创建数据数组太长。我现在的代码如下：-

import itertools as iter
all=iter.permutations([0.0,.1,.2,.3,.4,.5,.6,.7,.8,.9,1.0],6) if sum==1
all_legal=[]
for i in all:
if np.sum(i)==1:
    #print np.sum(i)
    all_legal.append(i)
print len(all_legal)
lmax=0
sharpeMax=0
for i in all_legal:
    if sharpeMax<getSharpe(i):
        sharpeMax=getSharpe(i)
        lmax=i

将itertools导入为iter
全部=iter置换（[0.0,1,2,3,4,5,6,7,8,9,1.0]，6）如果总和==1
所有法律=[]
对我来说，总的来说：
如果np.和（i）=1：
#打印np.总和（一）
所有法律附件（一）
打印透镜（所有合法）
lmax=0
夏普马克=0
对于我而言，在所有法律方面：
如果sharpeMax检查
。最小化
文档字符串：

scipy.optimize.minimize(fun, x0, args=(), method='BFGS', jac=None, hess=None, hessp=None, \
              bounds=None, constraints=(), tol=None, callback=None, options=None)

在您的情况下，最重要的是
界限
。如果要在[0,1]（或（0,1）中约束参数，则需要为每个变量定义参数，例如：

bounds=((0,1), (0,1).....)

现在，另一部分，
sum（x）==1
。可能有更优雅的方法来做这件事，但请考虑：不要最小化<>代码> f（x）< /> >，尽量减少<代码> h＝lambda x:f（x）+g（x）< /代码>，一个新的函数本质<代码> f（x）+g（x）< /代码>其中<代码> g（x）< /代码>当函数<代码>和（x）＝1 < /COD>时，函数达到最小值。例如
g=lambda x:（和（x）-1）**2

当
f（x）
和
g（x）
均达到最小值时，将达到
h（x）
的最小值。类似于拉格朗日乘数法的一种情况
您可以使用
COBYLA
或
SLSQP
进行约束优化，如图中所示

将这些组合到最小化函数中

res = minimize(getSharpe, start_pos, method='SLSQP', bounds=bnds ,constraints=cons)

旁白：是一个内置函数的名称，因此它不是
itertools
的一个很好的缩写。现在还不清楚要优化什么。你能更详细地描述一下这个问题吗？我强烈建议你阅读Scipy讲座中关于这个问题的章节。非常值得一读。
sum（k代表x中的k）
也称为
sum（x）
：）@Dougal几年后，当我收到关于这个答案的通知时，我仍然对这个问题耿耿于怀。
res = minimize(getSharpe, start_pos, method='SLSQP', bounds=bnds ,constraints=cons)