我正在学习用scipy.optimize.minimize
优化一个多变量约束非线性问题,但收到了奇怪的结果。
我的问题:
minimize objfun
objfun x*y
constraints 0<=x<=5, 0<=y<=5, x+y==5
我的代码:
from scipy import optimize
def func(x):
return x[0]*x[1]
bnds=((0,100),(0,5))
cons=({'type':'eq','fun':lambda x:x[0]+x[1]-5})
x0=[0,0]
res= optimize.minimize(func,x0,method='SLSQP',bounds=bnds,constraints=cons)
收到的结果:
status: 0
success: True
njev: 2
nfev: 8
fun: 6.2499999999999991
x: array([ 2.5, 2.5])
message: 'Optimization terminated successfully.'
jac: array([ 2.5, 2.5, 0. ])
nit: 2
我希望乐趣为0或显著接近0,x或y为0
我认为你遇到了一个边缘案例。如果你尝试一个非对称的猜测,你就会收敛到正确的解决方案。
只需将x0=[0,0]
更改为其他内容,如x0=[.2,.9]
。
编辑:在@pv注释后展开。
CCD_ 5是约束函数的局部极大值。在跳到这个局部最大值之后,算法再次计算它应该采取的方向,以最小化目标。
它通过计算CCD_ 6和CCD_。发现该方向为CCD_ 8。但是,该方向与约束正交,然后停止。
问题的出现是因为目标和约束相对于x=y
是对称的,并且我们正是从对x=y
的猜测开始的。