利用scipy.optimize.minimize()求解有约束、非线性规划问题

'''
scipy.optimize.minimize(目标函数obj,初始点,constraints=cons,bounds=bd)此函数有很多参数,这里介绍主要参数
obj:目标函数,最小值形式,常用lambda函数进行构造
bounds: [[a,b],[]..]二维列表格式,n行2列的矩阵,n行指n个决策变量,2列指下限上限
        也可以转化成constraint
constraint: 约束,{'type':'ineq/eq‘,'fun':lambda x:}字典格式,fun默认>/≥/=形式
            如果一个非线性规划问题既有等式约束、又有不等式约束,可分别构造cons1,cons2。然后合并con=[cons1,cons2]
            线性/非线性
'''
例子:求解下列有约束、非线性 规划问题。

from scipy import optimize
#构造目标函数obj,最小化形式
obj=lambda x:(x[0]-1)**2+(x[1]-2.5)**2
#构造约束条件cons,≥形式
cons=[{'type':'ineq','fun':lambda x:x[0]-x[1]*2+2},
      {'type':'ineq','fun':lambda x:-x[0]-x[1]*2+6},
      {'type':'ineq','fun':lambda x:-x[0]+x[1]*2+2}
      ]
#变量上下限值bounds
bounds=[[0,None],[0,None]]
#初始解x0
x0=[0,0]
result = optimize.minimize(obj, x0, constraints=cons, bounds=bounds)
print(result)

你可能感兴趣的:(scipy,python)