scipy.optimize.minimize 与通用数组索引

Question

我想用 scipy.optimize.minimize 中的“COBYLA”方法解决一个优化问题，如下所示：

test = spopt.minimize(testobj, x_init, method='COBYLA', constraints=cons1)
y = test.x
print 'solution x =', y

但是，由于程序非常大，编写目标函数（和约束）的可扩展方式是使用参数的通用索引。例如，如果我可以使用x['parameter1'] 或x.param1 而不是x[0]，那么程序将更易于阅读和调试。我尝试将x 写为对象或使用x['parameter1'] 之类的通用索引编写pandas Series，如下所示：

def testobj(x):
    return x['a']**2 + x['b'] + 1

def testcon1(x):
    return x['a']

def testcon2(x):
    return x['b']

def testcon3(x):
    return 1 - x['a'] - x['b']


x_init = pd.Series([0.1, 0.1])
x_init.index = ['a','b']

cons1 = ({'type': 'ineq', 'fun': testcon1}, \
    {'type': 'ineq', 'fun': testcon2}, \
    {'type': 'ineq', 'fun': testcon3})

但每当我将它传递给minimize 例程时，它都会引发错误：

return x['a']**2 + x['b'] + 1
ValueError: field named a not found

如果我使用普通的 numpy 数组，它会完美运行。也许我做得不对，但这是我必须使用 numpy 数组而不是任何其他数据结构的最小化函数的限制吗？ this topic 上的 scipy 文档提到初始猜测必须是 ndarray，但我很好奇例程如何调用参数，因为对于 pandas Series，使用 x[0] 或 x['a'] 调用变量是等效的。

Answer 1

如您所述，scipy optimize 使用 numpy 数组作为输入，而不是 pandas 系列。当您使用 pandas 系列进行初始化时，它会有效地将其转换为数组，因此您无法再按名称访问字段。

可能最简单的方法是创建一个函数，每次调用参数时重新包装参数；例如：

def make_series(params):
    return pd.Series(params, index=['a', 'b'])

def testobj(x):
    x = make_series(x)
    return x['a']**2 + x['b'] + 1

def testcon1(x):
    x = make_series(x)
    return x['a']

def testcon2(x):
    x = make_series(x)
    return x['b']

def testcon3(x):
    x = make_series(x)
    return 1 - x['a'] - x['b']

x_init = make_series([1, 1])
test = spopt.minimize(testobj, x_init, method='COBYLA', constraints=cons1)
print('solution x =', test.x)
# solution x = [  1.38777878e-17   0.00000000e+00]