scipy最小化了约束

Question

我知道这个问题应该在scipy.optimize手册中处理,但我不太了解它.也许你可以帮忙

我有一个函数(这只是一个例子,不是真正的函数,但我需要在这个级别理解它):

编辑(更好的例子):

我们假设我有一个矩阵

arr = array([[0.8, 0.2],[-0.1, 0.14]])

具有目标功能

def matr_t(t):
    return array([[t[0], 0],[t[2]+complex(0,1)*t[3], t[1]]]

def target(t):
    arr2 = matr_t(t)
    ret = 0
    for i, v1 in enumerate(arr):
          for j, v2 in enumerate(v1):
               ret += abs(arr[i][j]-arr2[i][j])**2
    return ret

现在我想在假设t [i]是实数的情况下最小化这个目标函数,等等 t[0]+t[1]=1

Answer 1

这个约束

t[0] + t[1] = 1

将是一个equality(type='eq')约束,您可以在其中创建一个必须等​​于零的函数:

def con(t):
    return t[0] + t[1] - 1

然后你制定一个dict约束(如果不止一个,则为dicts列表):

cons = {'type':'eq', 'fun': con}

我从来没有尝试过,但我相信为了保持t真实,你可以使用:

con_real(t):
    return np.sum(np.iscomplex(t))

并使你的cons两个约束:

cons = [{'type':'eq', 'fun': con},
        {'type':'eq', 'fun': con_real}]

然后你cons输入minimize:

scipy.optimize.minimize(func, x0, constraints=cons)