指定约束在SciPy的fmin_cobyla

Question

我使用Python 2.5。

我传递边界到cobyla优化：

import numpy 
from numpy import asarray

Initial = numpy.asarray [2, 4, 5, 3]       # Initial values to start with

#bounding limits (lower,upper) - for visualizing

#bounds = [(1, 5000), (1, 6000), (2, 100000), (1, 50000)] 

# actual passed bounds

b1 = lambda  x: 5000 - x[0]      # lambda x: bounds[0][1] - Initial[0]

b2 = lambda  x: x[0] - 2.0       # lambda x: Initial[0] - bounds[0][0]

b3 = lambda  x: 6000 - x[1]      # same as above

b4 = lambda  x: x[1] - 4.0

b5 = lambda  x: 100000 - x[2]

b6 = lambda  x: x[2] - 5.0

b7 = lambda  x: 50000 - x[3]

b8 = lambda  x: x[3] - 3.0

b9 = lambda  x: x[2] >  x[3]  # very important condition for my problem!


opt= optimize.fmin_cobyla(func,Initial,cons=[b1,b2,b3,b4,b5,b6,b7,b8,b9,b10],maxfun=1500000)

根据所述初始值和Initial按/边界b1内b10的值传递给opt()。但值偏离，尤其是b9。这是我的问题，一个很重要的边界条件！

“x[2]传递给我的功能opt()在每次迭代的值必须始终大于x[3]更大？” - 这怎么可能做到这一点。

这有什么错在我的范围（b1到b9）的定义？

还是有我的边界界定的一个更好的办法？

请帮我。

Answer 1

fmin_cobyla()不是内点方法。即，将在optmization运行过程中传递是外部边界（“不可行点”）的函数的点。

在你将需要解决的事情是，b9和b10不在形式fmin_cobyla()预期。绑定的功能需要返回一个正数，如果它们绑定，0.0内，如果它们是完全相同的束缚，如果他们是出界的负数。理想情况下，这些职能应光滑。 fmin_cobyla()将尝试利用这些功能的数值导为了让它知道如何回到可行域。

b9 = lambda x: x[2] - x[3]

我不知道怎样的方式，将b10能够使用，但实现fmin_cobyla()。

Answer 2

有B10，一个可能的选项可以是：

b10 = lambda x: min(abs(i-j)-d for i,j in itertools.combinations(x,2))

，其中 d 是增量比你想你的变量之间的最小差值较大（例如0.001）