[英]Element-wise constraints in scipy.optimize.minimize
我正在使用scipy.optimize.minimize
的COBYLA方法来查找分类分布的参数矩阵。 我需要强加每个参数大于零的约束,并且参数矩阵的行总和是一列1。
我不清楚如何在scipy.minimize
实现它,因为检查约束是非负性而不是真理。 如果我只是将数组作为约束传递,则最小化会引发异常。
有谁知道如何实施这些约束?
第一个约束x > 0
可以非常简单地表达:
{'type':'ineq', 'fun': lambda x: x}
第二个约束是一个等式约束,COBYLA本身不支持。 但是,您可以将其表示为两个单独的不等式约束:
{'type':'ineq', 'fun': lambda x: np.sum(x, 0) - 1} # row sum >= 1
{'type':'ineq', 'fun': lambda x: 1 - np.sum(x, 0)} # row sum <= 1
否则,您可以尝试使用SLSQP,它确实支持相等约束。
您需要等式约束来强制执行np.sum(x, 1) == 1
和x >= 0
不等式约束。
但是,COBYLA方法只能处理不等式约束,如minimize
文档中所述(请参阅解释constraints
参数的部分)。 相反,您可以使用Sequential Least SQuares Programming(SLSQP),它支持两种类型的约束。 minimize
函数应根据您指定的约束自动为您选择正确的求解器。
您需要的约束可以像这样实现:
def ineq_constraint(x):
"""constrain all elements of x to be >= 0"""
return x
def eq_constraint(x):
"""constrain the sum of all rows to be equal to 1"""
return np.sum(x, 1) - 1
constraints = [{'type': 'ineq', 'fun': ineq_constraint},
{'type': 'eq', 'fun': eq_constraint}]
result = minimize(objective_function, x0, constraints=constraints)
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.