Scipy 最小化忽略约束

Question

我想使用最大似然法估计 model 的参数。 model 有 6 个参数 A、n、B、w1、w2 和 w3，我知道它们的真实值分别是 130、0.5、1.5、0.35、0.45 和 0.2。 w1、w2 和 w3 应介于 0 和 1 之间； 此外，w1+w2+w3=1。 我为 w1、w2 和 w3 的总和添加了一个约束，但代码只是忽略了我的约束。 谁能帮帮我吗？ 这是我的数据集，下面是我的代码。

from scipy.optimize import minimize

n1 = df['biased drops']
def MLE(params):

    B = params[0]
    A = params[1]
    n = params[2]
    w1 = params[3]
    w2 = params[4]
    w3 = params[5]
    F=df['failure']
    SI1=w1*df['SIs1']+w2*df['SIs2']+w3*df['SIs3']
    nu=n1*(SI1/SI)**n
    PDF = (B*nu**(B-1))/(A*SI**-n)**B
    R = np.exp(-(nu/(A*SI**-n))**B)
    logLik = np.log ((PDF**F)*R)
    return(-sum(logLik[:]))

start_pos = [1.5, 130, 0.20,0.3, 0.4, 0.2]
bnds = [(1,4), (100, 300),  (0.2, 1),(0,1),(0,1),(0,1)]
cons = ({'type': 'eq','fun' : lambda params: np.array([params[3]+params[4]+params[5]-1])})

results = minimize(MLE, start_pos, method='L-BFGS-B', constraints=cons, bounds=bnds)
print(str("B="+str(round(results.x[0],2))+", A="+str(round(results.x[1],2))+", 
n="+str(round(results.x[2],2))+", w1="+str(round(results.x[3],2))+", w2="+str(round(results.x[4],2))+", w3="+str(round(results.x[5],2))))

Answer 1

L-BFGS-B 方法不支持一般约束，它只支持变量的简单界限，因此您的代码通常应该发出警告。 您可以改用SLSQP或trust-constr constr 方法。 另请注意，如果您不提供方法并且您的问题有界限和约束，则会自动选择SLSQP 。