Python Scipy Optimization.minimize使用SLSQP显示最大化的结果

Question

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

Answer 1

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。