如何指定scipy.optimize的约束列表？

我正在努力弄清楚如何从优化手册（使用最小化例程SLSQP）做到这一点。我的问题有一个变量x0的数组，我试图为我的函数构造一个约束列表。如何指定scipy.optimize的约束列表？

L = 2 
N = 2 

x0 = np.random.uniform(-1.0, 1.0, size=(L*L*N*2,)) 
x0 = x0.reshape(L,L,N,2) 
ff = x0[:, :, :, 0] + 1j*x0[:, :, :, 1]

约束需要是这样的形式：FF [X，Y，1] ** 2 + FF [X，Y，2] ** 2 + ... + FF [X，Y， N] ** 2 = 1

我认为这应该是可行的，但我正在学习Python，因为我去解决这个问题。我希望这不是一个无足轻重的地方。我尝试到目前为止，

for i_x in range(L): 
for i_y in range(L): 
    cons = {'type':'eq', 'fun': np.sum(np.abs(ff[i_x, i_y, :])**2) - 1} 

x0 = x0.reshape(L*L*N*2,) 
scipy.optimize.minimize(func, x0, constraints=cons)

而现在，

def constraints(x0, L, N, cons): 
x0 = x0.reshape(L, L, N, 2) 

for i_x in range(L): 
    for i_y in range(L): 
      def con(x0, i_x = i_x, i_y = i_y): 
       return np.sum(np.abs((x0[i_x, i_y, :, 0] + 1j*x0[i_x, i_y, :, 1])**2)) - 1 
      cons.append({'type':'eq', 'fun': con}) 

return cons

但我收到错误，“太多的指数为阵”

来源

2016-02-28 user12800

我觉得你的代码的一个问题是，它覆盖约束cons。结果，scipy.optimize.minimize函数看到的唯一约束是np.sum(np.abs(ff[-1, -1, :])**2) = 1，其中-1表示最后一个元素L-1。我建议初始化一个空的列表，然后追加到它：

cons = [] 
    for i_x in range(L): 
     for i_y in range(L): 
      cons.append({'type':'eq', 'fun': ...)

的第二个问题是，约束必须通过相同的向量您要最小化功能，即参数化必须是一个函数形状矢量（L * L * N * 2）。此函数是ff的函数，它具有形状（L，L，N），并且是一个常量（创建时的“冻结”，初始值为x0）不依赖于最小化算法的当前迭代。

来源

2016-02-28 14:33:13

谢谢你，我已经更新了我的尝试。我认为现在的问题是最小化器需要单个列表中的变量，并且我使用数组定义了我的约束。处理解决方案，但我没有任何直接的想法。 – user12800

因为你的约束函数的参数是一维向量，所以在你可以使用许多索引之前，你需要重新整形它，就像你正在尝试的那样，例如：'x0.reshape（L，L，N，2）[i_x，i_y ，：，0]' –

如何指定scipy.optimize的约束列表？

回答

相关问题