python非线性规划问题_python玄学建模(2)：非线性规划

文档url：https://docs.scipy.org/doc/scipy-0.18.1/reference/generated/scipy.optimize.minimize.html

本文还是对scipy官方文档的翻译及解释（毕竟文档写的那么好），使用的函数为scipy.optimize.minimize。

函数原型为：scipy.optimize.minimize(fun, x0, args=(), method=None, jac=None, hess=None, hessp=None, bounds=None, constraints=(), tol=None, callback=None, options=None)

下面我就简单地介绍几个重要参数

fun：不用想了，就是优化的目标函数;

x0：非线性优化问题的求解并不是用解析的方法进行的，而是从初始值开始进行迭代，x0就是猜测的初始值，在很大程度上决定了算法的效果。另外要注意，如果是多元函数，那么就要将x0视为一个向量，每一个分量都要单独赋值;

args：可选项，如果目标函数有可设定的参数，可以用这种方式传递进去;

method：选用的优化算法，有12种可选项，比较常用的为SLSQP（Sequential Least Squares Programming），算法种类很多，这里也不详细说了（其实是我自己也不怎么清楚，乱讲怕坑人）;有博客已经详细讲了一部分，第一部分的链接：https://blog.csdn.net/zhoudi2010/article/details/54584495

但是看发表时间，2017年就没再更新过，应该是早就鸽了......不过写的部分内容还是挺不错的。

bounds：用法和linprog里面的完全一样，可以参考我的上一篇博客;

constraints：优化的约束条件，输入为字典组成的元组，字典主要由'type'和'fun'组成，type可选'eq'和'ineq'，分别是等式约束和不等式约束，fun理所当然就是对应的约束条件，可以为lambda函数。例如，约束x0大于min的字典可以这样写：{'type': 'ineq', 'fun': lambda x: x[0] - min}（x为输入的数组，x[0]为第一个元素）可选的还有jac和args，在此就不展开说了。

tol：设定默认的误差阈值，低于阈值就会停止迭代，一般而言设定的越小越精确，很多优化算法都会有这一设定项。

官方文档里给出了一些示例，比如无约束优化：

>>> from scipy.optimize import minimize, rosen, rosen_der

>>> x0 = [1.3, 0.7, 0.8, 1.9, 1.2]

>>> res = minimize(rosen, x0, method='Nelder-Mead', tol=1e-6)

>>> res.x

array([ 1., 1., 1., 1., 1.])

这个例子里用到了resen函数，也就是Rosenbrock函数，经常被用来测试最优化算法的性能，当自变量为二维时，在三维空间里绘出函数图像为：

（图片来自wikipedia）

不过这不是本文要讨论的重点，总而言之此处的参数rosen就是一个函数，和自己def的没有本质区别,使用方法也是一样的。

然后输出结果就是优化得出的解。

有约束的规划文档中也给出了例子：

>>> from scipy.optimize import minimize

>>> fun = lambda x: (x[0] - 1)**2 + (x[1] - 2.5)**2

>>> cons = ({'type': 'ineq', 'fun': lambda x: x[0] - 2 * x[1] + 2},

... {'type': 'ineq', 'fun': lambda x: -x[0] - 2 * x[1] + 6},

... {'type': 'ineq', 'fun': lambda x: -x[0] + 2 * x[1] + 2})

>>> bnds = ((0, None), (0, None))

>>> res = minimize(fun, (2, 0), method='SLSQP', bounds=bnds,

... constraints=cons)

该优化问题的理论解为(1.4, 1.7)。

以上就是minimize函数的基本用法。

python非线性规划问题_python玄学建模(2)：非线性规划相关推荐

python非线性规划求解_Python之建模规划篇--非线性规划
Python之建模规划篇--非线性规划基本介绍如果目标函数或约束条件中包含非线性函数,就称这种规划问题为非线性规划问题.一般说来,解非线性规划要比解线性规划问题困难得多.而且,也不象线性规划有 ...
python语音识别分析_python数据建模分析 - 语音识别
Getting Started!首先,我们要知道语音的产生过程 voice.png 状态:由肺产生向外的气流,完全放松时声带张开,就是平时的呼吸.如果声带一张一合(振动)形成周期性的脉冲气流.这个脉冲 ...
python apply函数_python玄学之 apply函数的axis参数
不知道小伙伴们学习python的dataframe时,是否遇到一个疑惑,apply参数axis的具体含义是什么? 官方文档解释如下:https://pandas.pydata.org/pandas-d ...
数学建模：非线性规划的 Python 求解
目录一般形式 Python 求解 1. scipy.optimize.minimize 函数调用方式: 参数: 返回: 例 1 例 2 2. cvxopt.solvers 模块求解二次规划标准型 ...
数学建模学习---非线性规划
目录前言一.非线性规划问题是什么? 二.非线性规划的数学模型 1.一般形式三.线性规划的 Matlab 解法 Matlab 中非线性规划的数学模型: 2.Matlab 中的命令: 前言本篇讲述 ...
非线性规划MATLAB求解原理,专题六--非线性规划介绍及其Matlab求解方法.ppt
迭代法一般步骤注意:数值求解最优化问题的计算效率取决于确定搜索方向P (k)和步长的效率. Matlab求解方法简介 Step3: 利用(3)式或其它一维搜索的方法求计算然后令k:=k+1, ...
Python学习教程（Python学习视频_Python学些路线）：Day05 总结和练习
Python学习教程(Python学习视频_Python学些路线):总结和练习练习清单寻找"水仙花数". 寻找"完美数". "百钱百鸡" ...
python 白噪声检验-利用python实现平稳时间序列的建模方式
假如某个观察值序列通过序列预处理可以判定为平稳非白噪声序列,就可以利用ARMA模型对该序列进行建模.建模的基本步骤如下: (1)求出该观察值序列的样本自相关系数(ACF)和样本偏自相关系数(PACF) ...
《Python金融大数据风控建模实战》第6章变量分箱方法
<Python金融大数据风控建模实战> 第6章变量分箱方法本章引言 Python代码实现及注释本章引言变量分箱是一种特征工程方法,意在增强变量的可解释性与预测能力.变量分箱方法主要 ...

python非线性规划问题_python玄学建模(2)：非线性规划

python非线性规划问题_python玄学建模(2)：非线性规划相关推荐

最新文章

热门文章