当不满足约束时,Scipy optimize.minimize成功退出

Question

我一直在使用scipy.optimize.minimize (docs)

当我定义一个不可能满足约束的问题时,我注意到了一些奇怪的行为.这是一个例子:

from scipy import optimize

# minimize f(x) = x^2 - 4x
def f(x):
    return x**2 - 4*x

def x_constraint(x, sign, value):
    return sign*(x - value)

# subject to x >= 5 and x<=0 (not possible)
constraints = []
constraints.append({'type': 'ineq', 'fun': x_constraint, 'args': [1, 5]})
constraints.append({'type': 'ineq', 'fun': x_constraint, 'args': [-1, 0]})

optimize.minimize(f, x0=3, constraints=constraints)

结果输出:

fun: -3.0
     jac: array([ 2.])
 message: 'Optimization terminated successfully.'
    nfev: 3
     nit: 5
    njev: 1
  status: 0
 success: True
       x: array([ 3.])

这个问题没有满足约束的解决方案,但是,使用初始条件作为最优解,minimize()成功返回.

这种行为是有意的吗？如果是这样,如果最优解不满足约束,是否有办法强制失败？

Answer 1

这似乎是一个错误。我在 github 上的问题中添加了一条评论，其中包含您的示例的变体。

如果您使用不同的方法，例如 COBYLA，该函数将无法正确找到解决方案：

In [10]: optimize.minimize(f, x0=3, constraints=constraints, method='COBYLA')
Out[10]: 
     fun: -3.75
   maxcv: 2.5
 message: 'Did not converge to a solution satisfying the constraints. See `maxcv` for magnitude of violation.'
    nfev: 7
  status: 4
 success: False
       x: array(2.5)