scipy.optimize.

fmin_slsqp#

scipy.optimize.fmin_slsqp(func, x0, eqcons=(), f_eqcons=None, ieqcons=(), f_ieqcons=None, bounds=(), fprime=None, fprime_eqcons=None, fprime_ieqcons=None, args=(), iter=100, acc=1e-06, iprint=1, disp=None, full_output=0, epsilon=1.4901161193847656e-08, callback=None)[源代码]#

使用序列最小二乘编程最小化函数

最初由 Dieter Kraft 实现的 SLSQP 优化子程序的 Python 接口函数。

参数:

func可调用对象 f(x,*args)

目标函数。必须返回标量。

x0浮点数的一维 ndarray

自变量的初始猜测。

eqcons列表，可选

长度为 n 的函数列表，使得在成功优化的问题中 eqcons[j](x,*args) == 0.0。

f_eqcons可调用对象 f(x,*args)，可选

返回一个一维数组，其中每个元素在成功优化的问题中必须等于 0.0。如果指定了 f_eqcons，则忽略 eqcons。

ieqcons列表，可选

长度为 n 的函数列表，使得在成功优化的问题中 ieqcons[j](x,*args) >= 0.0。

f_ieqcons可调用对象 f(x,*args)，可选

返回一个一维 ndarray，其中每个元素在成功优化的问题中必须大于或等于 0.0。如果指定了 f_ieqcons，则忽略 ieqcons。

bounds列表，可选

一个元组列表，指定每个自变量的下限和上限 [(xl0, xu0),(xl1, xu1),…]。无限值将被解释为大的浮点值。

fprime可调用对象 f(x,*args)，可选

一个评估 func 的偏导数的函数。

fprime_eqcons可调用对象 f(x,*args)，可选

一个 f(x, *args) 形式的函数，返回 m x n 的等式约束法线数组。如果未提供，将近似计算法线。fprime_eqcons 返回的数组大小应为 (len(eqcons), len(x0))。

fprime_ieqcons可调用对象 f(x,*args)，可选

一个 f(x, *args) 形式的函数，返回 m x n 的不等式约束法线数组。如果未提供，将近似计算法线。fprime_ieqcons 返回的数组大小应为 (len(ieqcons), len(x0))。

args序列，可选

传递给 func 和 fprime 的其他参数。

iterint，可选

最大迭代次数。

accfloat，可选

请求的精度。

iprintint，可选

fmin_slsqp 的详细程度

iprint <= 0：静默操作
iprint == 1：完成后打印摘要（默认）
iprint >= 2：打印每次迭代的状态和摘要

dispint，可选

覆盖 iprint 接口（首选）。

full_outputbool，可选

如果为 False，则仅返回 func 的最小值（默认）。否则，输出最终目标函数和摘要信息。

epsilonfloat，可选

有限差分导数估计的步长。

callback可调用对象，可选

在每次迭代后调用，如 callback(x)，其中 x 是当前参数向量。

返回:

out浮点数的 ndarray: func 的最终最小值。
fx浮点数的 ndarray，如果 full_output 为 true: 目标函数的最终值。
itsint，如果 full_output 为 true: 迭代次数。
imodeint，如果 full_output 为 true: 优化器的退出模式（见下文）。
smodestring，如果 full_output 为 true: 描述优化器退出模式的消息。

另请参阅

minimize: 多元函数最小化算法的接口。特别是参见 'SLSQP' 方法。

注释

退出模式定义如下

-1：需要梯度评估 (g & a)
0：优化成功终止
1：需要函数评估 (f & c)
2：等式约束比自变量多
3：LSQ 子问题中的迭代次数超过 3*n
4：不等式约束不兼容
5：LSQ 子问题中奇异矩阵 E
6：LSQ 子问题中奇异矩阵 C
7：秩亏等的式约束子问题 HFTI
8：线搜索的正向导数
9：达到迭代限制

示例

示例在教程中给出。