如何使用 SciPy 解决这样的非线性优化问题(https://en.wikipedia.org/wiki/Karush%E2%80%93Kuhn%E2%80%93Tucker_conditions):
优化:f(X) = x1^2 + x2^2
约束函数: x1>= 0; x2>= 0; x1 + 2*x2 <= 4
我写了这个:
import numpy as np
def func(X):
x = X[0]
y = X[1]
L = X[2]
return x**2 + y**2 + L * (x + 2*y - 4)
def dfunc(X):
dLambda = np.zeros(len(X))
h = 1e-3
for i in range(len(X)):
dX = np.zeros(len(X))
dX[i] = h
dLambda[i] = (func(X+dX)-func(X-dX))/(2*h);
return dLambda
import scipy
from scipy.optimize import fsolve
X1 = fsolve(dfunc, [1, 1, 0])
print X1
我只找到一个解决方案:0.8,1.6
但还有更多:
0,0 4,0 0,2如何使用 SciPy 找到它?
求解器基于函数梯度之后的搜索。你试图找到一阶导数的零点,你似乎用有限差分近似?请不要。f 的梯度仅为 (2*x1, 2*x2)
因此,一阶导数仅在原点为零。
KKT 条件告诉您,在局部极值中,f 的梯度和约束的梯度是对齐的(也许您想再次阅读有关拉格朗日乘数的信息)。因此,计算约束函数的梯度!但那是你的功课...
另请注意,所有这些算法都倾向于依赖本地搜索。所以起点相当关键:-)
祝你好运