了解 scipy 优化中的约束

Question

我试图了解constraints 中的scipy 优化功能。我想在假设输入值始终为正的情况下最小化函数。所以我的约束函数定义如下：

def apply_constraint(inputs):
    return inputs[0] - inputs[0]

如果我的所有输入都是负数会怎样？我尝试使用负输入，但无法理解结果。约束属性的真正含义是什么？它还会给出负值的结果。

这是我的完整代码。

from __future__ import division
import numpy as np
from scipy.optimize import minimize


def f(x):
    Y = ((x + 100) / 100)
    return Y[0]


def apply_constraint(inputs):
    return inputs[0] - inputs[0]


my_constraints = ({'type': 'eq', "fun": apply_constraint})

min_result = minimize(f, [2], method="SLSQP", options={
                    'disp': False}, bounds=[(-2, 101)], constraints=my_constraints)

print("Minima found at: X = {}, Y = {}".format(min_result.x, min_result.fun))

Answer 1

你的约束函数不正确

inputs[0] - inputs[0] 永远是 0，应该是

def apply_constraint(inputs):
    return inputs[0]

约束以type = 'eq' 或type = 'ineq' 两种方式之一起作用

将评估约束函数并与0进行比较

对于等式约束，约束函数将被强制为= 0

对于不等式约束，约束函数将被强制为非负，即>=0

在这种情况下，使用上面的约束函数和type = 'ineq' 应该可以工作