考虑以下(凸)优化问题:
minimize 0.5 * y.T * y
s.t. A*x - b == y
其中优化(向量)变量是x
和{b
分别是适当维数的矩阵和向量。在
下面的代码使用Scipy的SLSQP
方法很容易找到解决方案:
Optimization terminated successfully. (Exit mode 0) Current function value: 2.12236220865 Iterations: 6 Function evaluations: 192 Gradient evaluations: 6
注意,约束函数是一个方便的“数组输出”函数。在
现在,原则上可以使用一组等价的“标量输出”约束函数(实际上是scipy.optimize公司文档只讨论这种类型的约束函数作为minimize
)的输入。在
下面是minimize
输出后面的等价约束集(与上面列出的相同A
,b
,初始值如下所示):
# this is the i-th element of cons(z):
def cons_i(z, i):
vx = z[:n]
vy = z[n:]
return A[i].dot(vx) - b[i] - vy[i]
# listable of scalar-output constraints input for SLSQP:
cons_per_i = [{'type':'eq', 'fun': lambda z: cons_i(z, i)} for i in np.arange(m)]
sol2 = minimize(obj, x0 = z0, constraints = cons_per_i, method = 'SLSQP', options={'disp': True})
Singular matrix C in LSQ subproblem (Exit mode 6) Current function value: 6.87999270692 Iterations: 1 Function evaluations: 32 Gradient evaluations: 1
显然,算法失败了(返回的目标值实际上是给定初始化的目标值),我觉得有点奇怪。注意,运行[cons_per_i[i]['fun'](sol.x) for i in np.arange(m)]
表明使用数组输出约束公式获得的sol.x
如预期满足cons_per_i
的所有标量输出约束(在数值公差内)。在
如果有人能解释一下这个问题,我将不胜感激。在
您遇到了"late binding closures" gotcha。对
cons_i
的所有调用都使用第二个参数等于19进行。在修复方法是在字典中使用
args
dictionary元素来定义约束,而不是lambda函数闭包:这样,最小化就起作用了:
^{pr2}$您也可以使用链接文章中提出的建议,即使用lambda表达式和具有所需默认值的第二个参数:
相关问题 更多 >
编程相关推荐