SLSQP优化不收敛于唯一解
SLSQP优化不收敛于唯一解
提问于 2019-09-04 02:45:44
我正在尝试简单的实验来学习scipy的SLSQP优化器。
我采用了下面的函数：
def obj(x):
return -1*((x[0]*x[0])+(x[1]*x[1]))它是雅可比矩阵：
def jacj(x):
return [-2*x[0],-2*x[1]]它的界限是：
bounds=[(0,1),(0,1)]一个简单的约束-- x+2*x1<=1：
cons2=({'type':'ineq',
'fun':lambda x: np.array([-(x[0])-2*(x[1])+1]),
'jac':lambda x: np.array([-1.0,-2.0])})现在我尝试使用initial guess x0=.1,0.01
res=minimize(obj,x0,method='slsqp',jac=jacj,bounds=bounds,
constraints=cons2,options={'maxiter':100,'ftol':0.000001,'eps':1.0e-08})当我运行它时，我得到的解决方案是: x=1，x1=0和obj=-1
但是，当我以x0=0.001,0.01作为初始猜测时，我得到的解决方案是: x=0、x1=0.5和obj=0.25
为什么它没有在后一次运行中给出最优解决方案？它怎麽工作?
回答 1
Stack Overflow用户
发布于 2019-09-21 02:16:47
最大化平方和函数是非凸的。求解器通常会收敛到局部最优。对于有保证的最优解，您需要使用全局求解器。
请注意，最小化平方和目标更容易:这是凸的。在这种情况下，求解器总是(好吧，除了不可行和数值问题)收敛到全局最优。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/57777210
复制相关文章
相似问题
腾讯云开发者
