from scipy.optimize import minimize
求解
简单开一下开头
官方下面有例子会让人容易明白
注意我们的目的是:为了求出让fun函数最小的最优解x
当遇见目标函数fun带了很多外来参数的时候
以及约束很多很多假设有100个的时候,怎么实现呢
1、优化函数带参数
但是当fun函数是带参数的时候怎么办呢,参数当然可以是一个数,也可能是数组矩阵等。
比如说我们可以随便定义一个目标函数:
def fun(x, funarg1, funarg2):
loss1 = funarg1.dot(x)
loss2 = (x[0] - max(funarg2))**2 + (x[1] - 2.5)**2
return loss1 + loss2
2、当有很多很多约束,可以采用约束也带参数的方法
注意:eq表示 本约束函数目标等于0 ; ineq 表示 约束函数目标大于等于0
网上多数例子的约束都是不带参数的,只有x本身,约束函数也想要带参数该怎么写
相当于要构建很多个约束,总不能全都一个写吧
例如的实现方法
cons_temp = []
for carg1, carg2, carg3 in arg_all:
cons_temp.append(
{'type': 'ineq', 'fun': lambda x, carg1: x[0] - 2 * x[1] + carg1, 'args': (carg1)},
{'type': 'ineq', 'fun': lambda x, carg2, carg3: -x[0] - carg2 + carg3, 'args': (carg2, carg3)})
cons = tuple(cons_temp)
3、求解上面目标函数及约束
res = minimize(fun, x0, args=(funarg1, funarg2), constraints=cons)
x0是x初始猜测值
res.x就是求解的结果