scipy 最小化（SLSQP）的限制结果

Question

我想最小化一个目标函数，它在每一步调用一个模拟软件并返回一个标量。有没有办法限制目标函数的结果？例如，我想获得使结果尽可能接近 1 的变量值。

我试图简单地从目标函数的结果中减去 1，但这并没有帮助。我也玩过硬币约束，但如果我理解正确的话，它们只适用于输入变量。另一种方法可能是创建一个日志，在每次迭代后存储所有变量的值（我已经这样做了）。最后，应该可以搜索结果最接近 1 的迭代并返回它的变量配置。问题是最小化可能运行时间过长并产生无用的结果。有没有更好的办法？

def objective(data):
     """
     Optimization Function
     :param data: list containing the current guess (list of float values)
     :return: each iteration returns a scalar which should be minimized
     """

     # do simulation and calculate scalar

     return result - 1.0   # doesn't work since result is becoming negative

def optimize(self):
     """
     daemon which triggers input, reads output and optimizes results
     :return: optimized results
     """

     # initialize log, initial guess etc.

     sol = minimize(self.objective, x0, method='SLSQP', options={'eps': 1e-3, 'ftol': 1e-9}, bounds=boundList)

我们的目标是找到一个可以适应任何目标值的解决方案。用户应该能够输入一个值，并且最小化将返回此目标值的最佳变量配置。

Answer 1

正如 cmets 中所讨论的，实现此目的的一种方法是使用

return (result - 1.0) ** 2

在objective。然后结果不能变为负数，优化将尝试以接近您的目标值的方式找到result（例如，在您的情况下为1.0）。

插图，首先使用您当前的设置：

from scipy.optimize import minimize


def objective(x, target_value):

    # replace this by your actual calculations
    result = x - 9.0

    return result - target_value


# add some bounds for all the parameters you have
bnds = [(-100, 100)]

# target_value is passed in args; feel free to add more
res = minimize(objective, (1), args=(1.0,), bounds=bnds)

if res.success:
    # that's the optimal x
    print(f"optimal x: {res.x[0]}")
else:
    print("Sorry, the optimization was not successful. Try with another initial"
          " guess or optimization method")

当我们选择-100 作为x 的下限并要求最小化目标时，最佳x 是-100（如果您从上面运行代码将打印出来）。如果我们现在替换该行

return result - target_value

由

return (result - target_value) ** 2

其余部分保持不变，最佳x 是10，正如预期的那样。

请注意，我将您的目标值作为附加参数传递，以便您的函数更加灵活。