Python 如何使用分类变量进行scipy优化

考虑以下问题：

import numpy
import scipy.optimize


def f(x):
    return (x[0] == 1)*(x[1] + 2)**2 - (x[0] == 0)*(x[1] + 1)**2


kwargs = {
        'method': 'trust-constr',
        'jac': False,
        'bounds': [(0, 1), (0, 1)],
    }


m = scipy.optimize.minimize(f, numpy.array([1, 0]), **kwargs).x
print(m)
# [0.91136811 0.19026955]  <- wrong result

导入numpy
导入scipy.optimize
def f（x）：
返回（x[0]==1）*（x[1]+2）**2-（x[0]==0）*（x[1]+1）**2
kwargs={
“方法”：“信任结构”，
"jac":错,，
‘界限’：[（0,1），（0,1）]，
}
m=scipy.optimize.minimize（f，numpy.array（[1,0]），**kwargs.x
打印（m）
#[0.91136811 0.19026955]也许您可以看看
hyperopt
软件包。但请检查它是否满足您在精度和性能方面的需求。我认为它主要是为了机器学习中的超参数优化而创建的，在机器学习中，精度可能不是最大的问题。在hyperopt中，您可以将一些值定义为离散的（甚至是分类的），而其他值则是连续的。一般的方法是混合整数非线性规划（例如Couenne）。但这是否可行取决于这么多细节。也许你可以看看
hyperopt
软件包。但请检查它是否满足您在精度和性能方面的需求。我认为它主要是为了机器学习中的超参数优化而创建的，在机器学习中，精度可能不是最大的问题。在hyperopt中，您可以将一些值定义为离散的（甚至是分类的），而其他值则是连续的。一般的方法是混合整数非线性规划（例如Couenne）。但这是否可行取决于这么多细节。