如何使用 scipy 评估边界优化变化的步长范围答案

【问题标题】：How to evaluate bounds with scipy optimize changing step ranges如何使用 scipy 评估边界优化变化的步长范围
【发布时间】：2020-07-17 05:24:57
【问题描述】：

我正在尝试在“scipy”优化中优化我的界限。我的“x”向量中的一些变量受到极大限制，我无法使用其他值优化我的目标函数。

例如，x1 只能取以下值：19、20、24、40。Scipy 要求提供 x1 的边界，如 (19, 40)，但函数会根据需要采取容差步骤。

有一种方法可以通过 scipy 为某些变量开发一个受约束的步骤进行优化？？

bounds = ((19, 40),...)
x0 = (300, 19, ...)
resultado = optimize.minimize(fun, x0, bounds = bounds, method = 'TNC',
                              constraints = cons)

【问题讨论】：

也许检查一下：stackoverflow.com/questions/39236863/…
一般来说：没有。该算法的框架不允许这样做。您的限制可以被视为强制完整性等等：定义一个不连续的集合。即使是前者，在线性情况下，也会出现 NP-hard 问题。当是线性时，这是混合整数规划（并且有可用的求解器）。非线性时，还有其他类别，例如 MINLP。然后凸性发挥作用，一些要检查的求解器可能是 Bonmin（仅凸）或 Couenne。 MINLP，尤其是在非凸设置中非常困难。
我可以用 scipy.optimize 解决 MINLP 问题吗？

标签： python optimization scipy minimize bounds

【解决方案1】：

您可以尝试对这些值进行硬编码。我的意思是说，当 x1 不属于您提供的列表时，您可以返回一个非常高的值。但这将是非常低效的操作。

另一种选择是使用 Basin-Hopping 算法，您可以在其中定义自己的步长值，然后在需要时进行优化。

如果可能，请指定 x1 是指第二次猜测还是“x”向量的第二个元素。

【讨论】：