Scipy.Minimize，如何在目标函数和约束之间共享相同的对象？
Scipy.Minimize是一个用于优化问题的函数，它可以通过调整参数来最小化目标函数。在优化问题中，有时候需要在目标函数和约束之间共享相同的对象。下面是如何实现这一点的方法：
- 首先，确保目标函数和约束函数都能够接受相同的对象作为输入参数。这意味着它们应该具有相同的参数列表，并且能够正确处理这些参数。
- 创建一个共享对象，可以是一个类的实例或者一个全局变量。这个对象将被目标函数和约束函数共享。
- 在目标函数和约束函数中使用共享对象。可以通过将共享对象作为参数传递给这些函数，或者在函数内部直接引用共享对象。
- 在调用Scipy.Minimize函数时，将目标函数和约束函数作为参数传递给它。确保传递的是函数的引用，而不是函数的返回值。
下面是一个示例代码，演示了如何在目标函数和约束函数之间共享相同的对象：
import numpy as np
from scipy.optimize import minimize
# 定义目标函数和约束函数
def objective(x, shared_obj):
# 在目标函数中使用共享对象
return shared_obj.some_property * x[0]**2 + x[1]**2
def constraint(x, shared_obj):
# 在约束函数中使用共享对象
return shared_obj.some_property * x[0] + x[1] - 1
# 定义共享对象
class SharedObject:
def __init__(self, some_property):
self.some_property = some_property
# 创建共享对象的实例
shared_obj = SharedObject(2)
# 初始化优化问题的初始解
x0 = np.array([0, 0])
# 调用Scipy.Minimize函数进行优化
result = minimize(objective, x0, args=(shared_obj,), constraints={'type': 'eq', 'fun': constraint, 'args': (shared_obj,)})
# 打印优化结果
print(result)在这个示例中，目标函数和约束函数都接受一个共享对象作为参数。共享对象的属性some_property被用于计算目标函数和约束函数的值。在调用Scipy.Minimize函数时，通过将共享对象作为参数传递给目标函数和约束函数，实现了在它们之间共享相同的对象。
请注意，这只是一个示例，实际应用中需要根据具体情况进行调整。另外，腾讯云相关产品和产品介绍链接地址可以根据具体需求进行选择，这里无法提供具体的推荐。
相关·内容
2回答
我有一个目标函数(在python中)：
actions= [...] # some array
Na= len(actions)
# maximize p0 * qr(s,a0,b0) + ... + pn * qr(s,an,bn)
def objective(x):
p = x[:Na] # p is a probability distribution
b = x[Na:2 * Na] # b is an array of positive unbounded scalars
q = np.array([qr(s, actions[
浏览 2提问于2017-08-30得票数 3
运行scipy.minimize函数"I get TypeError：'numpy.float64‘object is not callable“。特别是在执行以下操作的过程中：
.../scipy/optimize/optimize.py", line 292, in function_wrapper
return function(*(wrapper_args + args))
我已经看过前面的类似主题了，通常这个问题是由于.minimize的第一个输入参数不是一个函数而导致的。我很难弄清楚，因为"a“是函数。你认为如何？
### "
浏览 4提问于2018-04-11得票数 5
我试图优化一个有约束的非线性模型。
import numpy as np; from scipy.optimize import minimize; import math
# initial guesses
n = 2
x0 = np.zeros(n)
T = 0.1
L = 0.1
def objective(T, L):
try:
return (350 / T) + (35 * ((312.5 * (T / 2)) + (11.69 * (math.sqrt(T + L))) + (6.6256 * math.sqrt(T + L))))
exce
浏览 4提问于2021-01-07得票数 0
回答已采纳
使用下面的代码来理解/最小化是如何工作的。结果与我所期望的不相符。
"""
Minimize: f = 2*x[0]*x[1] + 2*x[0] - x[0]**2 - 2*x[1]**2
Subject to: -2*x[0] + 2*x[1] <= -2
2*x[0] - 4*x[1] <= 0
x[0]**3 -x[1] == 0
where: 0 <= x[0] <= inf
1 <= x[1] <= inf
"""
import
浏览 4提问于2020-02-09得票数 0
回答已采纳
1回答
我正试图使用Python解决一些最小化问题，但是带有约束的设置对我来说很难理解。我有：
minimize: x+y+2z^2 服从：x=1和x^2+y^2 =1
这显然很容易，我知道解决方案是x=1，y=0，z=0。我试图使用scipy.optimize.L-BFGS-B，但遇到了问题。
我还有：minimize: 2x1^2+x2^2 to: x1+x2=1
我需要使用基于梯度的优化器，所以我选择了scipy.optimizer.COBYLA，但是遇到了使用等式约束的问题，因为它只接受不等式约束。这方面的代码是：
def objective(x):
x1 = x[0]
x2
浏览 1提问于2020-08-08得票数 0
回答已采纳
我有以下简单的python代码：
from scipy.optimize import minimize
def cons_function(x):
return x[0] - 1000
def objective(x):
a = x[0]
return a ** 5
x0 = [0]
cons_dict = [{'type':'ineq', 'fun': cons_function}]
res = minimize(objective, x0, constraints=cons_dict)
print
浏览 56提问于2022-07-23得票数 0
回答已采纳
2回答
目标：
maximize :((((alpha1*5000)+(alpha2*0.49431))-5000) + (((alpha1*5000)+(alpha2*0.49431))-0.49431))
上下文：
mod(alpha) <= 1
代码：
from scipy.optimize import minimize
alpha = [0,0];v1 = 5000
v2 = 0.49431537320810676
def objective(alpha,sign = -1.0):
alpha1 = alpha[0]
alpha2 = alpha[1]
r
浏览 3提问于2017-06-29得票数 0
--我正试图解决一个约束最大化问题，该问题的边界在枕极小。但是为什么我会得到这样的信息：‘LSQ子问题中的奇异矩阵C’？如何解决这个问题？当我移除约束并试图最小化目标函数时，它工作得很好，但是当我试图使它最大化时，它显示了“线性搜索的正方向导数”。守则如下：
#Import libs
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import minimize, Bounds
#Initial activity level
x0 = np.array([60, 40])
#Revenue
浏览 4提问于2019-11-24得票数 1
2回答
我正在尝试用下面所示的约束来求解这个线性规划函数，x1和x2的答案应该分别是2和6，并且目标函数的值应该等于36。我写的代码给我的答案是4和3。我可能做错了什么？函数来最大化z=3*x1 + 5*x2。约束是x1 <= 4;2*x2 <=12；3*x1 + 2*x2 <= 18；x1>=0;x2>=0。
import numpy as np
from scipy.optimize import minimize
def objective(x, sign=1.0):
x1 = x[0]
x2 = x[1]
return sign*((3*x
浏览 5提问于2017-04-30得票数 9
我试图在SciPy中使用优化模块，只是编写简短的试用程序。当存在线性约束时，我可以得到解，但Hessian定义不起作用。我已经在上使用了这个例子，但是当我尝试不使用内置的Rosenberg函数及其内建函数时，会出现一个错误。
也尝试了一个简单的在线问题，我的代码是：
import numpy as np
from scipy import optimize
from scipy.optimize import NonlinearConstraint
def fun(x):
return x[0]**2+x[1]**2-8*x[1]+16
bounds = optimize.Boun
浏览 5提问于2021-11-04得票数 1
回答已采纳
我计划计算目标函数的最大值。我的编码如下。
import numpy as np
from scipy.optimize import minimize
# this is my objective function
def objective(x,sign=-1.0):
x1=x[0]
x2=x[1]
x3=x[2]
x4=x[3]
x5=x[4]
x6=x[5]
return sign*(sum(x1+x2+x3+x4+x5+x6)) # to get maximum by using '-1' sign
def
浏览 4提问于2020-04-10得票数 0
1回答
我有一个系统，简化如下:一个发电和存储单元正在使用以满足需求。目标函数是产生功率的成本乘以产生的功率。然而，产生的电力被分成不同成本的垃圾桶，产生电力的“清算价格”是每小时生产的最高垃圾箱的成本：
T = np.arange(5, dtype=int)
produce_cap = 90 # MW
store_cap = 100 # MWh
store_init = 0 # MWh
m = pyo.ConcreteModel()
m.T = pyo.Set(initialize=T) # time, hourly
m.produce = pyo.Var(m.T, within=pyo
浏览 4提问于2020-11-03得票数 0
回答已采纳
我使用scipy.minimize和'CG‘方法，我想在每次迭代中回调梯度范数。到目前为止，我已经能够在每次迭代时使用以下方法调用该函数：
def min_method(fn, grad, x0):
all_fn = [fn(x0).item()]
def store(x): # callback function
all_fn.append(fn(x).item())
ans = minimize(fn, x0, method='CG', jac=grad, callback=store,
options={&#
浏览 5提问于2022-05-04得票数 0
编辑:看起来在 之前就已经回答了这个问题
它没有出现在我的搜索中，因为我不知道正确的名称。我现在就把这个问题留在这里，以防有人因为受到限制而来到这里。
我试图优化一个几乎所有点都是平坦的函数(“步骤函数”，但在更高的维度)。
目标是优化一组权重，这些权重必须之和为一，这是函数的参数，我需要将其最小化。
问题是，由于函数在大多数点上是平坦的，梯度技术失败了，因为它们在开始“猜测”时立即收敛。
我的假设是，这可以通过(a)退火或(b)遗传标志来解决。西西派我去。但是，我无法找到使用约束(权重必须为1)或范围(权重必须在0到1之间)的方法。
实际问题:如何解决不带梯度的最小化问题，以及如何使用约束
浏览 3提问于2016-02-14得票数 1
我目前正在使用get optimize.minimize来获得包含5个参数的函数的最小值。我希望输入四个输入作为函数的固定参数，我希望optimize.minimize给我第五个输入的值，以便从函数得到尽可能低的输出。
下面是我目前的代码：
from numpy import array
import scipy.optimize as optimize
from scipy.optimize import minimize
def objective(speed, params):
a,b,c,d=params
return abs(rg.predict([[speed,p
浏览 0提问于2018-08-16得票数 3
回答已采纳
1回答
我正在编写一个有约束的整数优化，并且在制定约束时遇到了困难。下面是我的优化总结：(调度是我自己的函数，返回一个int值)
目标：MIN (1500 * x1) + (625 * x2) +(100 * x3)
约束：
schedule(x1，x2，x3) >=480
x2 > x1
x2 > x3
界： (5<= x1 <=50)，(5<= x2 <=100)，(1<= x3 <=20)
将硬约束分组到diffev2中的最佳方法是什么，因为constraint1使用函数，因此不能以符号的方式编写函数。
下面是这方面的一个粗略尝试。我经历过的
浏览 5提问于2021-05-16得票数 1
回答已采纳
1回答
能不能请大家分享一下如何正确设置优化约束？
这是为了将和设置为>=100
def constraint1(x):
return (x[0]+x[1]-100)
如何将其设置为=100或<=100 --我只是在文档或其他示例中没有看到这些情况。
当我尝试执行以下操作时，我会得到一个语法错误，但是我在其他人的例子中看到了这个错误。
def constraint2(x):
return (x[0]%=0)
这是一个完整的例子：
import numpy as np
from scipy.optimize import minimize
profit_0=50
p
浏览 0提问于2019-03-15得票数 1
回答已采纳
1回答
我正在尝试从dataframe中选择一个行子集，以便在最大化目标的同时满足某些约束。到目前为止，这就是我所拥有的：
import pandas as pd
import numpy as np
from scipy.optimize import minimize
df = pd.DataFrame({'a': np.random.randint(0, 100, size=100),
'b': np.random.randint(0, 100, size=100),
'c
浏览 19提问于2022-08-01得票数 0
回答已采纳
1回答
正如标题所解释的，我的程序总是返回最初的猜测。
就上下文而言，该程序试图找到跨多个商店分配某些产品的最佳方法。每一家商店都对未来几天的销量有一个预测(sales_data)。这个预测不一定一定是整数，或者超过1(很少是)，它是一个统计意义上的期望。因此，如果一家商店的sales_data = 0.33，0.33，0.33，预计3天后，他们会卖出1单位的产品。
我想尽量减少出售我所分配的单位所需的时间(我想以最快的速度出售它们)，我的限制是我必须分配我现有的单位，而且我不能将负数的产品分配给一家商店。我现在还可以进行非整数分配.对于我最初的分配，我将在所有商店中平均分配我已有的单元。
下面是我的
浏览 0提问于2019-08-08得票数 2
2回答
使用scipy进行约束
、、、、
我有一个约束(最大化)下的多目标优化问题，实际上我通过加权技术将其转换为单目标问题，并使用约束0 <x1 + x2 <1添加了2个变量x1，x2 (进行优化)，因此它们的和必须严格小于1才能产生下面代码中描述的第三个目标函数。
当我执行的时候，sum总是大于1。
for i in range(len(f1)):
def f(x):
x1= x[0]
x2= x[1]
return -(x1*f1[i]+ x2*f2[i]+ (1-x1-x2)*f3[i])
def co
浏览 0提问于2020-05-04得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
即时通信 IM
对象存储活动推荐
腾讯云开发者
