![](/img/trans.png)
[英]How to use `scipy.optimize.linprog` for a more complicated objective function?
[英]Weight Middle Range for use of scipy.optimize.linprog (Simplex algorithm)
基本问题被赋予了这些约束(这是一个简单的示例,我的用例遵循相同的格式,但可以引入更多的变量):
x + y = C1
C2 <= x <= C3
C4 <= y <= C5
(其中CX是常量,x和y是变量),求解。
使用scipy.optimize.linprog
很容易。 从技术上讲,我可以得到正确的结果。
例。 使用以下特定约束:
x + y = 50
5 <= x <= 65
10 <= y <= 40
我们得到:
>>> res = scipy.optimize.linprog([1,1], bounds=([5, 65], [10, 40]), A_eq=[[1,1]], b_eq=[50] )
>>> res.x
array([ 40., 10.])
从技术上讲这是正确的。 请注意,第二个变量最小。 但是由于商业原因,我们希望有一个更“公平”的方法,如果可能的话,每个变量都应超过其最小值,而更多的是(但不一定与)相同:
array([ 25., 25.])
所以我一直在考虑加权中点。 我如何使用此scipy.optimize.linprog
api(或其他一些scipy优化api)来修改最小化的函数,从而为接近每个变量范围中点的值赋予更高的优先级?
请将此答案作为草稿,以了解如何解决此类问题。 这当然不是解决问题的最佳方法,也不是解决此类问题的最有效算法。
这里的问题是,您可能无法将您的想法表达为平滑的线性目标函数。 您需要某种距离测量,在使用平滑函数的情况下,距离测量可能至少必须是二次的。
以下代码将x
向量范数的L2
添加为惩罚。 这在这种情况下会有所帮助,因为L2范数的成分是二次方的,因此,希望所有成分在一个大一点和一个小一点上都相等。
from scipy.optimize import fmin_slsqp
# equality constraints as h(x) = 0
def h(x):
return x[0] + x[1] - 50
# inequality constraints as g(x) >= 0
def g(x):
return [
x[0] - 5,
-x[0] + 65,
x[1] - 10,
-x[1] + 40,
]
# target functions
f1 = lambda x: x[0] + x[1]
f2 = lambda x: x[0] + x[1] + sum(x**2)
结果:
x = fmin_slsqp(f1, (5,45), f_eqcons=h, f_ieqcons=g)
print(x)
输出:
Optimization terminated successfully. (Exit mode 0)
Current function value: 50.0
Iterations: 1
Function evaluations: 5
Gradient evaluations: 1
[ 10. 40.]
和惩罚版本:
x = fmin_slsqp(f2, (5,45), f_eqcons=h, f_ieqcons=g)
print(x)
版画
Optimization terminated successfully. (Exit mode 0)
Current function value: 1300.0
Iterations: 3
Function evaluations: 12
Gradient evaluations: 3
[ 25. 25.]
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.