利用scipy.optimize.minimize()求解有约束、非线性规划问题

Fisher005

已于 2023-03-20 21:16:25 修改

阅读量6k

点赞数 2

文章标签： scipy python

于 2023-03-20 21:01:57 首次发布

本文链接：https://blog.csdn.net/Fisher005/article/details/129676101

版权

文章介绍了如何利用scipy.optimize.minimize函数来解决非线性规划问题，包括设置目标函数、定义约束条件（不等式）和变量的上下界，并给出了一个具体的示例，展示了如何构造和求解一个问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

'''
scipy.optimize.minimize(目标函数obj,初始点,constraints=cons,bounds=bd)此函数有很多参数，这里介绍主要参数
obj:目标函数，最小值形式，常用lambda函数进行构造
bounds: [[a，b],[]..]二维列表格式，n行2列的矩阵，n行指n个决策变量，2列指下限上限
        也可以转化成constraint
constraint: 约束，{'type':'ineq/eq‘,'fun':lambda x:}字典格式,fun默认＞/≥/=形式
            如果一个非线性规划问题既有等式约束、又有不等式约束，可分别构造cons1,cons2。然后合并con=[cons1,cons2]
            线性/非线性
'''
例子：求解下列有约束、非线性 规划问题。

from scipy import optimize
#构造目标函数obj，最小化形式
obj=lambda x:(x[0]-1)**2+(x[1]-2.5)**2
#构造约束条件cons，≥形式
cons=[{'type':'ineq','fun':lambda x:x[0]-x[1]*2+2},
      {'type':'ineq','fun':lambda x:-x[0]-x[1]*2+6},
      {'type':'ineq','fun':lambda x:-x[0]+x[1]*2+2}
      ]
#变量上下限值bounds
bounds=[[0,None],[0,None]]
#初始解x0
x0=[0,0]
result = optimize.minimize(obj, x0, constraints=cons, bounds=bounds)
print(result)