python中的非线性/线性编程答案

【问题标题】：Non-Linear/Linear Programming in pythonpython中的非线性/线性编程
【发布时间】：2018-11-07 16:24:48
【问题描述】：

我有这样的优化：

Maximize (x1*a1 + x2*a2+...+xn * an) 

such that :
  any j,  (xj*aj)/sum(all xi*ai) <= 0.35 
  any two j, (xj*aj)/sum(all xi*ai) >= 0.15
  any three j, (xj*aj)/sum(all xi*ai) >= 0.07 
  any j  1<= aj <= 100 and aj is an integer.

我尝试使用 Scipy.optimize 来实现相同的功能。但是，我不确定所使用的方法是否正确，因为 SLSQP 提供的任何输入都不能解决它。我已经尝试使用 Scipy 和纸浆来解决不同的约束公式。但是，两者似乎都不起作用。我在下面分享了 scipy 代码。我不确定 scipy/pulp 是否允许 ifelse 约束或循环约束。

share = 
[1595798.061003,1595798.061003,1595798.061003,1595798.061003,
6335021.83000001,6335021.83000001,6335021.83000001,
6335021.83000001,42842994.4958]

def objective(factors):
    mult = []
    for i in range(len(share)):
       mult.append(share[i]*factors[i])

return -sum(mult)

def constraint1(factors):
    #n=len(factors)
    sum_w = 0
    for i in range(len(share)):
       sum_w= sum_w+(share[i]*factors[i])
    sum_f =0 
    for j in range(len(share)):
        print((share[j]*factors[j])/sum_w)
        if(((share[j]*factors[j])/sum_w) -0.35) <= 0 :
            sum_f = sum_f + 0
        else:
            sum_f = sum_f + 1
return sum_f 

def constraint2(factors):
    sum_w = 0
    for i in range(len(share)):
        sum_w= sum_w+(share[i]*factors[i])
    sum_f2 =0 
    for j in range(len(share)):
        if(((share[j]*factors[j])*100/sum_w) - 0.15) >= 0 :
            sum_f2 = sum_f2 + 1
        else:
            sum_f2 = sum_f2 + 0
return sum_f2 - 2

def constraint3(factors):
    sum_w = 0
    for i in range(len(share)):
        sum_w= sum_w+(share[i]*factors[i])
    sum_f3 =0 
    for j in range(len(share)):
       if(((share[j]*factors[j])*100/sum_w) - 0.07) >= 0 :
           sum_f3 = sum_f3 + 1
       else:
           sum_f3 = sum_f3 + 0
return sum_f3 - 3 

bounds = []
share0=[]

for i in range(len(share)):
    bounds.append((1,100))
    share0.append(100)

cons1={'type': 'eq','fun' : constraint1}
cons2={'type': 'ineq','fun' : constraint2}
cons3={'type': 'ineq','fun' : constraint3} 

cons=[cons1]
sol=minimize(objective,share0,method='SLSQP',bounds=bounds,constraints=cons)

我得到的输出显示：

fun: 7387762651.568393
jac: array([ -1595776.,  -1595776.,  -1595776.,  -1595776.,  -6335040.,
    -6335040.,  -6335040.,  -6335040., -42843008.])
message: 'Singular matrix C in LSQ subproblem'
nfev: 11
nit: 1
njev: 1
status: 6
success: False
x: array([ 100. , 100. , 100. , 100. , 100., 100., 100., 100., 100. ])

我应该在这里使用什么方法？

【问题讨论】：

我不认为 SLSQP 非常适合这类问题。它假定平滑、可微的函数。我认为这个问题可以建模为线性 MIP 问题（经过一些非平凡的线性化）。

标签： python optimization linear-programming nonlinear-optimization

【解决方案1】：

PySCIPOpt 应该可以很好地处理这些约束。它比 SciPy 更可靠，特别是考虑到您正在处理整数变量和一些非线性，您可以按照您的建议直接建模。

【讨论】：