我必须最小化以下功能:
def foo(x):
sigma1 = sum([sum([KS * x[U + e * K + k] for k in range(K)]) for e in range(E)])
sigma2 = sum([W * c for c in x[U + Y: U + Y + X]])
sigma3 = sum([T * z for r in x[U + Y + X:]])
return sigma1 + sigma2 + sigma3
其中,KS,U,K,E,W,Y,X,T是常数,X是范围[0;1]内的数字向量。在
此外,还必须匹配几个约束条件:
^{pr2}$,其中M、V、D、C是常量,dicts是字典列表,在“ENTRY”键下还携带字典。 初始猜测向量:
init_guess = [1] * (U + C + Y + Z)
最小化:
result = scipy.optimize.minimize(fun=foo, x0=init_guess, method='SLSQP', constraints=cons, options={"maxiter": 5000}, bounds=[(0, 1) for _ in range(len(init_guess))])
但是,输出如下所示:
nfev: 159
fun: 17480.0
status: 6
njev: 1
x: array([ 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])
message: 'Singular matrix C in LSQ subproblem'
jac: array([ 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0.,
15., 15., 15., 15., 15., 15., 15., 15.,
15., 15., 15., 15., 15., 15., 15., 15.,
15., 15., 15., 15., 15., 15., 15., 15.,
15., 15., 15., 15., 15., 15., 15., 15.,
15., 15., 15., 15., 15., 15., 15., 15.,
15., 15., 15., 15., 15., 15., 15., 15.,
15., 15., 15., 15., 15., 15., 15., 15.,
15., 15., 15., 15., 15., 15., 15., 15.,
80., 80., 80., 80., 80., 80., 80., 80.,
80., 80., 80., 80., 80., 80., 80., 80.,
80., 80., 80., 1500., 1500., 1500., 1500., 1500.,
1500., 1500., 1500., 1500., 1500., 0.])
nit: 1
success: False
我不仅不明白它为什么失败,而且还不明白为什么雅可比矩阵虽然计算正确,但在末尾有一个额外的“0”(因此它比初始猜测向量长1个元素)。我尝试过显式地发送Jacobian,但结果还是一样。我不能使用其他最小化方法,因为只有SLSQP可以同时处理“eq”和“ineq”约束以及边界。如果scipy.optimize.minimize.最小化不是一个很好的工具,有人能推荐另一个Python库来解决这个问题吗?我不熟悉线性优化,但我必须用Python来做。在
我建议使用GLPK/Python:https://en.wikibooks.org/wiki/GLPK/Python。它是免费的,开源的,它可以解决LP和MIP的问题,你可以在很多linux的repo中找到它。在
相关问题 更多 >
编程相关推荐