目录
算法需要输入的参数
算法输出的优化结果
优化算法应用举例
优化算法举例代码
优化算法输出结果
其他优化问题举例
最优化求解问题标准格式如下：
标准形式如下：
目标函数：minimize f(x) ……
约束条件subject to：
g_i(x) >= 0, i = 1,...,m
h_j(x) = 0, j = 1,...,pPython中scipy库有很多包，其中一个就是scipy.optimize.minimize求解有无约束的最小化问题。
原文请参考：scipy.optimize.minimizehttps://docs.scipy.org/doc/scipy-0.18.1/reference/generated/scipy.optimize.minimize.html#scipy.optimize.minimize
Python中scipy.optimize.minimize具体参数如下：
scipy.optimize.minimize(fun, x0, args=(), method=None, jac=None, hess=None,
hessp=None, bounds=None, constraints=(), tol=None,
callback=None, options=None)[source]算法需要输入的参数：
- fun：可调用的目标函数；
- x0：函数的初始解，是N 维数组对象ndarray；
- args：可选，传递给目标函数和其偏导的额外参数，如（雅可比矩阵、海塞矩阵），是元组；
- method : 可选，求解问题的方法，应该是如下表格中的其中一个。如果不指定，根据约束条件和取值范围默认选择BFGS, L-BFGS-B, SLSQP方法；
| 求解方法 | 解释 |
|---|---|
| Nelder-Mead | 求解非线性、导函数未知的最值问题 |
| Powell | 鲍威尔共轭方向法 |
| CG | 共轭梯度法 |
| BFGS | 变尺度法、拟牛顿方向法 |
| Newton-CG | 牛顿-共轭方向法 |
| L-BFGS-B | 改进的BFGS法 |
| TNC | 截断牛顿法 |
|
COBYLA |
线性逼近法 |
| SLSQP | 序列最小二乘法 |
| dogleg | 信赖域算法（狗腿法） |
| trust-ncg | 信赖域的牛顿共轭梯度法 |
- jac：可选，目标函数的雅可比矩阵（目标函数的一阶偏导）。这些方法会用到： CG, BFGS, Newton-CG, L-BFGS-B, TNC, SLSQP, dogleg, trust-ncg；
- hess, hessp : 可选，海塞矩阵（目标函数的二阶偏导），这些方法会用到Newton-CG, dogleg, trust-ncg；
- bounds：可选，变量约束，这些方法会用到：L-BFGS-B, TNC and SLSQP
- constraints：可选，约束条件，字典或序列类型，每个约束有以下三个关键字：
type : str
Constraint type: '='号约束：'eq' ,'>='号约束：'ineq'.
COBYLA算法仅支持ineq
fun : callable
定义条件的函数
jac : callable, optional
约束条件的梯度函数(only for SLSQP).
args : sequence, optional
传递给目标函数或雅可比矩阵的额外的参数- tol : 可选，float型，终止条件的忍耐度，可以理解为精度。
- options :可选，字典类型，算法的其他选项。具体如下：
maxiter : int
算法的最大迭代次数
disp : bool
disp=True时打印收敛信息算法输出的优化结果：
- res : OptimizeResult
具体信息如下：（看下后面的代码例子会懂）
x the solution array, success a Boolean flag indicating if the optimizer
exited successfully and message which describes the cause of the termination. 优化算法应用举例：
最小化问题，含有等式目标约束：
优化算法举例代码：
import numpy as np
from scipy.optimize import minimize
# 定义目标函数
def func(x, sign=1.0):
# scipy.minimize默认求最小，求max时只需要sign*(-1)，跟下面的args对应
return sign * (x[0] ** 2 + x[1] ** 2 + x[2] ** 2)
# return sign * (np.power(x[0], 2) + np.power(x[1], 2) + np.power(x[2], 2))
# 定义目标函数的梯度
def func_deriv(x, sign=1):
jac_x0 = sign * (2 * x[0])
jac_x1 = sign * (2 * x[1])
jac_x2 = sign * (2 * x[2])
return np.array([jac_x0, jac_x1, jac_x2])
# 定义约束条件
# constraints are defined as a sequence of dictionaries, with keys type, fun and jac.
cons = (
{'type': 'eq',
'fun': lambda x: np.array([x[0] + 2 * x[1] - x[2] - 4]),
'jac': lambda x: np.array([1, 2, -1])},
{'type': 'eq',
'fun': lambda x: np.array([x[0] - x[1] - x[2] + 2]),
'jac': lambda x: np.array([1, -1, -1])}
)
# 定义初始解x0
x0 = np.array([-1.0, 1.0, 1.0])
# 使用SLSQP算法求解
res = minimize(func, x0 , args=(1,), jac=func_deriv, method='SLSQP', options={'disp': True},constraints=cons)
# args是传递给目标函数和偏导的参数，此例中为1，求min问题。args=-1时是求解max问题
print(res.x) 优化算法输出结果：
Optimization terminated successfully. (Exit mode 0)
Current function value: 4.000000000000002
Iterations: 2
Function evaluations: 2
Gradient evaluations: 2
[-2.22044605e-16 2.00000000e+00 -6.66133815e-16]即函数输出最优值为：4.00，最优解为[0,2,0]。文章来源：https://www.toymoban.com/news/detail-706572.html
其他优化问题举例
Optimization (scipy.optimize)https://docs.scipy.org/doc/scipy-0.18.1/reference/tutorial/optimize.html#constrained-minimization-of-multivariate-scalar-functions-minimize文章来源地址https://www.toymoban.com/news/detail-706572.html
到了这里，关于Python中scipy.optimize求解有无约束的最优化算法举例（附代码）的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
