限制 scipy 最小化的结果 (SLSQP)

Question

我想最小化一个 objective 函数，它在每一步都调用模拟软件，return 是一个标量。有什么方法可以限制 objective 函数的结果吗？例如，我想获得使结果尽可能接近 1 的变量值。

我试图简单地从 objective 函数的结果中减去 1，但这没有帮助。我也玩过 coinstraints，但如果我理解正确的话，它们只适用于输入变量。另一种方法是创建一个日志，在每次迭代后存储所有变量的值（我已经在做）。最后，应该可以搜索结果最接近 1 且 return 它是可变配置的迭代。问题是最小化可能运行的时间太长并产生无用的结果。有没有更好的方法？

def objective(data):
     """
     Optimization Function
     :param data: list containing the current guess (list of float values)
     :return: each iteration returns a scalar which should be minimized
     """

     # do simulation and calculate scalar

     return result - 1.0   # doesn't work since result is becoming negative

def optimize(self):
     """
     daemon which triggers input, reads output and optimizes results
     :return: optimized results
     """

     # initialize log, initial guess etc.

     sol = minimize(self.objective, x0, method='SLSQP', options={'eps': 1e-3, 'ftol': 1e-9}, bounds=boundList)

目标是找到一个可以适应任何目标值的解决方案。用户应该能够输入一个值，最小化将return这个目标值的最佳变量配置。

Answer 1

如评论中所述，实现此目的的一种方法是使用

return (result - 1.0) ** 2

在 objective 中。这样结果就不会变成负数，优化将尝试以接近您的目标值的方式找到 result（例如，在您的情况下为 1.0）。

插图，首先使用您当前的set-up：

from scipy.optimize import minimize


def objective(x, target_value):

    # replace this by your actual calculations
    result = x - 9.0

    return result - target_value


# add some bounds for all the parameters you have
bnds = [(-100, 100)]

# target_value is passed in args; feel free to add more
res = minimize(objective, (1), args=(1.0,), bounds=bnds)

if res.success:
    # that's the optimal x
    print(f"optimal x: {res.x[0]}")
else:
    print("Sorry, the optimization was not successful. Try with another initial"
          " guess or optimization method")

因为我们选择 -100 作为 x 的下界，并要求最小化 objective，最优的 x 是 -100（将是如果你运行上面的代码打印）。如果我们现在替换行

return result - target_value

来自

return (result - target_value) ** 2

其余不变，最优的x是预期的10。

请注意，我将您的目标值作为附加参数传递，以便您的函数稍微灵活一些。

限制 scipy 最小化的结果 (SLSQP)

Restricting result of scipy minimization (SLSQP)

python

optimization

minimize

scipy