Python 带矩阵约束的scipy.optimize

关于矩阵约束

Ax-b>=0

，我如何告诉

fmin_cobyla

？它不会将其作为向量约束：

cons = lambda x: dot(A,x)-b

---

谢谢。

由于约束必须返回一个标量值，您可以这样动态定义标量约束：

constraints = []
for i in range(len(A)):
    def f(x, i = i):
        return np.dot(A[i],x)-b[i]
    constraints.append(f)

例如，如果我们稍微修改

屈服

[-0.6  0.8]

---

另外，感谢@seberg指出了前面的一个错误。

由于约束必须返回标量值，您可以这样动态定义标量约束：

constraints = []
for i in range(len(A)):
    def f(x, i = i):
        return np.dot(A[i],x)-b[i]
    constraints.append(f)

例如，如果我们稍微修改

屈服

[-0.6  0.8]

---

另外，感谢@seberg指出了一个早期的错误。

实际上，文档中说的是

约束函数，它只需要一个函数列表，每个函数只返回一个值

因此，如果您想一次完成这一切，也许只需修改
fmin_cobyla
的纯python代码，您会发现它在函数周围定义了一个包装函数，因此很容易。。。不管怎么说，python代码确实很短，只是围绕着
scipy.optimize.\u cobyal.minimize
的小包装

另一方面，如果要优化的函数与约束一样是线性（或二次）的，那么可能会有更好的解算器。
实际上，文档中说的是
约束函数，它只需要一个函数列表，每个函数只返回一个值

因此，如果您想一次完成这一切，也许只需修改
fmin_cobyla
的纯python代码，您会发现它在函数周围定义了一个包装函数，因此很容易。。。不管怎么说，python代码确实很短，只是围绕着
scipy.optimize.\u cobyal.minimize
的小包装

另一方面，如果要优化的函数与约束一样是线性（或二次）的，那么可能会有更好的解算器