![](/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)
基本問題被賦予了這些約束(這是一個簡單的示例,我的用例遵循相同的格式,但可以引入更多的變量):
x + y = C1
C2 <= x <= C3
C4 <= y <= C5
(其中CX是常量,x和y是變量),求解。
使用scipy.optimize.linprog
很容易。 從技術上講,我可以得到正確的結果。
例。 使用以下特定約束:
x + y = 50
5 <= x <= 65
10 <= y <= 40
我們得到:
>>> res = scipy.optimize.linprog([1,1], bounds=([5, 65], [10, 40]), A_eq=[[1,1]], b_eq=[50] )
>>> res.x
array([ 40., 10.])
從技術上講這是正確的。 請注意,第二個變量最小。 但是由於商業原因,我們希望有一個更“公平”的方法,如果可能的話,每個變量都應超過其最小值,而更多的是(但不一定與)相同:
array([ 25., 25.])
所以我一直在考慮加權中點。 我如何使用此scipy.optimize.linprog
api(或其他一些scipy優化api)來修改最小化的函數,從而為接近每個變量范圍中點的值賦予更高的優先級?
請將此答案作為草稿,以了解如何解決此類問題。 這當然不是解決問題的最佳方法,也不是解決此類問題的最有效算法。
這里的問題是,您可能無法將您的想法表達為平滑的線性目標函數。 您需要某種距離測量,在使用平滑函數的情況下,距離測量可能至少必須是二次的。
以下代碼將x
向量范數的L2
添加為懲罰。 這在這種情況下會有所幫助,因為L2范數的成分是二次方的,因此,希望所有成分在一個大一點和一個小一點上都相等。
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)
結果:
x = fmin_slsqp(f1, (5,45), f_eqcons=h, f_ieqcons=g)
print(x)
輸出:
Optimization terminated successfully. (Exit mode 0)
Current function value: 50.0
Iterations: 1
Function evaluations: 5
Gradient evaluations: 1
[ 10. 40.]
和懲罰版本:
x = fmin_slsqp(f2, (5,45), f_eqcons=h, f_ieqcons=g)
print(x)
版畫
Optimization terminated successfully. (Exit mode 0)
Current function value: 1300.0
Iterations: 3
Function evaluations: 12
Gradient evaluations: 3
[ 25. 25.]
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.