python中非線性規(guī)劃方式的示例分析-創(chuàng)新互聯(lián)

這篇文章主要介紹python中非線性規(guī)劃方式的示例分析，文中介紹的非常詳細(xì)，具有一定的參考價值，感興趣的小伙伴們一定要看完！

創(chuàng)新互聯(lián)建站專注于仁和企業(yè)網(wǎng)站建設(shè),成都響應(yīng)式網(wǎng)站建設(shè)公司,商城建設(shè)。仁和網(wǎng)站建設(shè)公司,為仁和等地區(qū)提供建站服務(wù)。全流程按需求定制開發(fā)，專業(yè)設(shè)計，全程項目跟蹤，創(chuàng)新互聯(lián)建站專業(yè)和態(tài)度為您提供的服務(wù)

一、背景：

現(xiàn)在項目上有一個用python 實現(xiàn)非線性規(guī)劃的需求。非線性規(guī)劃可以簡單分兩種，目標(biāo)函數(shù)為凸函數(shù) or 非凸函數(shù)。

凸函數(shù)的 非線性規(guī)劃，比如fun=x^2+y^2+x*y，有很多常用的python庫來完成，網(wǎng)上也有很多資料，比如CVXPY

非凸函數(shù)的 非線性規(guī)劃（求極值），從處理方法來說，可以嘗試以下幾種：

1.純數(shù)學(xué)方法，求導(dǎo)求極值；

2.使用神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)來處理，可參考反向傳播算法中鏈?zhǔn)角髮?dǎo)的過程；

3.尋找一些python庫來做，本文介紹scipy.optimize.minimize的使用方法

二、庫方法介紹

官方文檔：https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.minimize.html

來看下改方法的入?yún)?/p>

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

解釋：

fun: 求最小值的目標(biāo)函數(shù)

x0:變量的初始猜測值，如果有多個變量，需要給每個變量一個初始猜測值。minimize是局部最優(yōu)的解法，所以

args:常數(shù)值,后面demo會講解，fun中沒有數(shù)字，都以變量的形式表示，對于常數(shù)項，需要在這里給值

method:求極值的方法，官方文檔給了很多種。一般使用默認(rèn)。每種方法我理解是計算誤差，反向傳播的方式不同而已，這塊有很大理論研究空間

constraints:約束條件，針對fun中為參數(shù)的部分進行約束限制

三、demo

1.計算 1/x+x 的最小值

# coding=utf-8
from scipy.optimize import minimize
import numpy as np
 
#demo 1
#計算 1/x+x 的最小值
 def fun(args):
  a=args
  v=lambda x:a/x[0] +x[0]
  return v
 
 if __name__ == "__main__":
  args = (1) #a
  x0 = np.asarray((2)) # 初始猜測值
  res = minimize(fun(args), x0, method='SLSQP')
  print(res.fun)
  print(res.success)
  print(res.x)

執(zhí)行結(jié)果:函數(shù)的最小值為2點多，可以看出minimize求的局部最優(yōu)

2.計算 (2+x1)/(1+x2) - 3*x1+4*x3 的最小值 x1,x2,x3的范圍都在0.1到0.9 之間

# coding=utf-8
from scipy.optimize import minimize
import numpy as np
 
# demo 2
#計算 (2+x1)/(1+x2) - 3*x1+4*x3 的最小值 x1,x2,x3的范圍都在0.1到0.9 之間
def fun(args):
 a,b,c,d=args
 v=lambda x: (a+x[0])/(b+x[1]) -c*x[0]+d*x[2]
 return v
def con(args):
 # 約束條件 分為eq 和ineq
 #eq表示 函數(shù)結(jié)果等于0 ； ineq 表示 表達式大于等于0 
 x1min, x1max, x2min, x2max,x3min,x3max = args
 cons = ({'type': 'ineq', 'fun': lambda x: x[0] - x1min},\
    {'type': 'ineq', 'fun': lambda x: -x[0] + x1max},\
    {'type': 'ineq', 'fun': lambda x: x[1] - x2min},\
    {'type': 'ineq', 'fun': lambda x: -x[1] + x2max},\
   {'type': 'ineq', 'fun': lambda x: x[2] - x3min},\
    {'type': 'ineq', 'fun': lambda x: -x[2] + x3max})
 return cons
 
if __name__ == "__main__":
 #定義常量值
 args = (2,1,3,4) #a,b,c,d
 #設(shè)置參數(shù)范圍/約束條件
 args1 = (0.1,0.9,0.1, 0.9,0.1,0.9) #x1min, x1max, x2min, x2max
 cons = con(args1)
 #設(shè)置初始猜測值 
 x0 = np.asarray((0.5,0.5,0.5))
 
 res = minimize(fun(args), x0, method='SLSQP',constraints=cons)
 print(res.fun)
 print(res.success)
 print(res.x)

執(zhí)行結(jié)果：

對于這種簡單的函數(shù)，可以看出局部最優(yōu)的求解和真實最優(yōu)解相差不大，對于復(fù)雜的函數(shù)，x0的初始值設(shè)置，會很大程度影響最優(yōu)解的結(jié)果。

ADD:

全局最優(yōu)的函數(shù)： scipy.optimize.basinhopping

有一個缺點是無法設(shè)置約束，求全局的最優(yōu)解的函數(shù)

以上是“python中非線性規(guī)劃方式的示例分析”這篇文章的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對大家有幫助，更多相關(guān)知識，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道！

網(wǎng)頁標(biāo)題：python中非線性規(guī)劃方式的示例分析-創(chuàng)新互聯(lián)
文章來源：http://muchs.cn/article4/dhsgoe.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供建站公司、外貿(mào)網(wǎng)站建設(shè)、移動網(wǎng)站建設(shè)、用戶體驗、搜索引擎優(yōu)化、標(biāo)簽優(yōu)化

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)