[英]Linear programming in Python scipy
目的:
maximize :((((alpha1*5000)+(alpha2*0.49431))-5000) + (((alpha1*5000)+(alpha2*0.49431))-0.49431))
缺点:
mod(alpha) <= 1
码:
from scipy.optimize import minimize
alpha = [0,0];v1 = 5000
v2 = 0.49431537320810676
def objective(alpha,sign = -1.0):
alpha1 = alpha[0]
alpha2 = alpha[1]
return sign*((((alpha1*5000)+(alpha2*0.49431537320810676))-5000) + (((alpha1*5000)+(alpha2*0.49431537320810676))-0.49431537320810676))
def constraint1(alpha):
return (1- abs (alpha[0]))
def constraint2(alpha):
return (1- abs (alpha[1]))
con1 = {'type':'ineq','fun':constraint1}
con2 = {'type':'ineq','fun':constraint2}
cons = [con1,con2]
sol = minimize(objective,alpha,method='SLSQP',constraints = cons)
我已经在目标函数中给出了将优化更改为最大的符号。
解:
(sol.x)
>>>>[ 1.00104909 0.99560862]
我已经将alpha的约束条件设置为小于1,但将解决方案设置为大于1。
如果看到检查返回的对象sol
,则将看到它具有带有“值”的属性.message
。
'Positive directional derivative for linesearch'
根据此答案 ,这意味着无法保证返回的解决方案是最优的。 确实,它违反了约束。
此行为可能是由于在优化变量的域边界处有解而导致的。 的确, CVXPY返回的最佳优化变量等于[1,1]
,它是线性编程比SLSQP更好的选择。
您可能想尝试scipy.optimize.linprog
作为更适合线性程序的scipy函数,尽管我认为它不如CVXPY(或其他免费LP软件包)快。
约束可能会被违反,并且主要用于参数之间的关系。 您正在寻找的是关键字边界。
from scipy.optimize import minimize
alpha = [0.,0.];v1 = 5000
v2 = 0.49431537320810676
def objective(alpha,sign = -1.0):
alpha1 = alpha[0]
alpha2 = alpha[1]
return sign*(alpha1*v1+alpha2*v2-v1 + alpha1*v1+alpha2*v2-v2)
sol = minimize(objective,alpha,method='SLSQP', bounds = ((-1,1),(-1,1)))
sol.x
>> array([ 1., 1.])
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.