Python中scipy.optimize求解有无约束的最优化算法举例（附代码）

Charonrise

已于 2022-04-15 16:21:31 修改

阅读量1.5w

点赞数 24

文章标签： python

于 2022-04-15 16:17:10 首次发布

本文链接：https://blog.csdn.net/qq_44444503/article/details/124194711

版权

最优化求解问题标准格式如下：

标准形式如下：
目标函数：minimize f(x) ……

约束条件subject to：
g_i(x) >= 0,  i = 1,...,m

h_j(x)  = 0,  j = 1,...,p

Python中scipy库有很多包，其中一个就是scipy.optimize.minimize求解有无约束的最小化问题。

原文请参考：scipy.optimize.minimizehttps://docs.scipy.org/doc/scipy-0.18.1/reference/generated/scipy.optimize.minimize.html#scipy.optimize.minimize

Python中scipy.optimize.minimize具体参数如下：

scipy.optimize.minimize(fun, x0, args=(), method=None, jac=None, hess=None,             
                         hessp=None, bounds=None, constraints=(), tol=None, 
                         callback=None, options=None)[source]

算法需要输入的参数：

fun：可调用的目标函数；
x0：函数的初始解，是N 维数组对象ndarray；
args：可选，传递给目标函数和其偏导的额外参数，如（雅可比矩阵、海塞矩阵），是元组；
method : 可选，求解问题的方法，应该是如下表格中的其中一个。如果不指定，根据约束条件和取值范围默认选择BFGS, L-BFGS-B, SLSQP方法；

最优化求解方法
求解方法	解释
Nelder-Mead	求解非线性、导函数未知的最值问题
Powell	鲍威尔共轭方向法
CG	共轭梯度法
BFGS	变尺度法、拟牛顿方向法
Newton-CG	牛顿-共轭方向法
L-BFGS-B	改进的BFGS法
TNC	截断牛顿法
COBYLA	线性逼近法
SLSQP	序列最小二乘法
dogleg	信赖域算法（狗腿法）
trust-ncg	信赖域的牛顿共轭梯度法

jac：可选，目标函数的雅可比矩阵（目标函数的一阶偏导）。这些方法会用到： CG, BFGS, Newton-CG, L-BFGS-B, TNC, SLSQP, dogleg, trust-ncg；
hess, hessp : 可选，海塞矩阵（目标函数的二阶偏导），这些方法会用到Newton-CG, dogleg, trust-ncg；
bounds：可选，变量约束，这些方法会用到：L-BFGS-B, TNC and SLSQP
constraints：可选，约束条件，字典或序列类型，每个约束有以下三个关键字：

type : str
Constraint type: '='号约束：'eq' ,'>='号约束：'ineq'.
COBYLA算法仅支持ineq

fun : callable
定义条件的函数

jac : callable, optional
约束条件的梯度函数(only for SLSQP).

args : sequence, optional
传递给目标函数或雅可比矩阵的额外的参数

tol : 可选，float型，终止条件的忍耐度，可以理解为精度。
options :可选，字典类型，算法的其他选项。具体如下：

maxiter : int
算法的最大迭代次数

disp : bool
disp=True时打印收敛信息

算法输出的优化结果：

res : OptimizeResult

具体信息如下：（看下后面的代码例子会懂）
x the solution array, success a Boolean flag indicating if the optimizer 
exited successfully and message which describes the cause of the termination.

优化算法应用举例：

最小化问题，含有等式目标约束：

优化算法举例代码：

import numpy as np
from scipy.optimize import minimize

# 定义目标函数
def func(x, sign=1.0):
    # scipy.minimize默认求最小，求max时只需要sign*(-1)，跟下面的args对应
    return sign * (x[0] ** 2 + x[1] ** 2 + x[2] ** 2)
    # return sign * (np.power(x[0], 2) + np.power(x[1], 2) + np.power(x[2], 2))

# 定义目标函数的梯度
def func_deriv(x, sign=1):
    jac_x0 = sign * (2 * x[0])
    jac_x1 = sign * (2 * x[1])
    jac_x2 = sign * (2 * x[2])
    return np.array([jac_x0, jac_x1, jac_x2])

# 定义约束条件
# constraints are defined as a sequence of dictionaries, with keys type, fun and jac.
cons = (
    {'type': 'eq',
     'fun': lambda x: np.array([x[0] + 2 * x[1] - x[2] - 4]),
     'jac': lambda x: np.array([1, 2, -1])},

    {'type': 'eq',
     'fun': lambda x: np.array([x[0] - x[1] - x[2] + 2]),
     'jac': lambda x: np.array([1, -1, -1])}
    )

# 定义初始解x0
x0 = np.array([-1.0, 1.0, 1.0])

# 使用SLSQP算法求解
res = minimize(func, x0 , args=(1,), jac=func_deriv, method='SLSQP', options={'disp': True},constraints=cons)
# args是传递给目标函数和偏导的参数，此例中为1，求min问题。args=-1时是求解max问题
print(res.x)

优化算法输出结果：

Optimization terminated successfully.    (Exit mode 0)
            Current function value: 4.000000000000002
            Iterations: 2
            Function evaluations: 2
            Gradient evaluations: 2
[-2.22044605e-16  2.00000000e+00 -6.66133815e-16]

即函数输出最优值为：4.00，最优解为[0,2,0]。