A especificação de restrições para fmin_cobyla em scipy
-
20-09-2019 - |
Pergunta
Eu uso Python 2.5.
Eu estou passando limites para o cobyla de otimização:
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)
Com base nos valores iniciais Initial
e como per/dentro dos limites b1
para b10
os valores são passados para opt()
.Mas os valores são divergentes, especialmente com b9
.Esta é uma importante condição delimitadora para o meu problema!
"O valor de x[2]
passou para a minha função opt()
em cada iteração deve ser sempre maior do que x[3]
"-- Como é possível conseguir isso?
Não há nada de errado em meus limites (b1
para b9
) definição ?
Ou existe uma forma melhor de definir meus limites?
Por favor me ajude.
Solução
fmin_cobyla()
não é um método de ponto interior.Que é, ele vai passar os pontos que estão fora dos limites ("inviável" pontos) para a função, durante o curso do optmization executar.
Em coisa que você precisa corrigir, é que b9
e b10
não estão na forma que fmin_cobyla()
espera.O limite funções precisa retornar um número positivo, se eles estão dentro do limite, 0.0, se eles estão exatamente no limite, e um número negativo, se eles estão fora dos limites.Idealmente, estas funções devem ser suaves. fmin_cobyla()
vai tentar levar a numéricos derivados dessas funções, a fim de deixá-lo saber como voltar para a região viável.
b9 = lambda x: x[2] - x[3]
Eu não tenho certeza de como implementar b10
de uma forma que fmin_cobyla()
será capaz de usar, apesar de tudo.
Outras dicas
para b10, uma possível opção poderia ser:
b10 = lambda x: min(abs(i-j)-d for i,j in itertools.combinations(x,2))
onde d é um delta maior que a mínima diferença que você deseja entre as variáveis (p.g 0.001)