为什么约束在 scipy.optimize.minimize 中失败

Question

    def get_cons(self, ub, lb):
        cons = []
        for i in range(len(ub)):
            cons.append({'type':'ineq','fun':lambda x0:ub[i]-x0[i]})
            cons.append({'type':'ineq','fun':lambda x0:x0[i]-lb[i]})
        return cons
    ub = [1,3,1,1]
    lb = [0,0,0,0]
    cons = self.get_cons(self.ub, self.lb)
    res = minimize(fun, x0[:,i], method='SLSQP', constraints=cons)

这里fun是自定义损失function初始参数是[0.08024884 0.14003958 0.0786131 0.00157402]。 我希望所有参数> 0，但优化参数后是 [-0.45684621 0.02531972 -0.10755587 0.2108312]。

这个约束是否失效？

Answer 1

无需使用通用约束来为变量添加简单的界限。 相反，通过最小化的绑定参数传递变量边界：

bounds = [(l, u) for (l, u) in zip(lb, ub)]

res = minimize(fun, x0[:, i], bounds=bounds, method="SLSQP") 

但是，如果您真的想将边界作为通用约束传递，则需要捕获循环变量i的值：

for i in range(len(ub)):
    cons.append({'type':'ineq','fun': lambda x0, i=i: ub[i]-x0[i]})
    cons.append({'type':'ineq','fun': lambda x0: i=i: x0[i]-lb[i]})
return cons

否则，每个约束共享最后一次循环迭代的i值，有关详细信息，请参见此处。