minimize(method=’trust-constr’)#
- scipy.optimize.minimize(fun, x0, args=(), method=None, jac=None, hess=None, hessp=None, bounds=None, constraints=(), tol=None, callback=None, options=None)
在约束条件下最小化标量函数。
- 参数:
- gtolfloat, 可选
拉格朗日梯度范数终止容差。当拉格朗日梯度的无穷范数(即最大绝对值)和约束违反均小于
gtol
时,算法将终止。默认为 1e-8。- xtolfloat, 可选
自变量变化终止容差。当
tr_radius < xtol
时,算法将终止,其中tr_radius
是算法中使用的信赖域半径。默认为 1e-8。- barrier_tolfloat, 可选
算法终止的障碍参数阈值。当存在不等式约束时,算法仅在障碍参数小于barrier_tol时终止。默认为 1e-8。
- sparse_jacobian{bool, None}, 可选
确定如何表示约束的雅可比矩阵。如果为布尔值,则所有约束的雅可比矩阵将被转换为相应的格式。如果为 None (默认),则雅可比矩阵不会被转换,但算法仅在它们都具有相同格式时才能继续。
- initial_tr_radius: float, 可选
初始信赖域半径。信赖域半径表示连续迭代中解点之间的最大距离。它反映了算法对优化问题局部近似的信任程度。对于精确的局部近似,信赖域应较大;而对于仅在当前点附近有效的近似,则应较小。信赖域在整个优化过程中自动更新,其中
initial_tr_radius
是其初始值。默认为 1 (在[1],p. 19 中推荐)。- initial_constr_penaltyfloat, 可选
初始约束惩罚参数。惩罚参数用于平衡目标函数减小和满足约束的要求。它用于定义优值函数:
merit_function(x) = fun(x) + constr_penalty * constr_norm_l2(x)
,其中constr_norm_l2(x)
是包含所有约束的向量的 l2 范数。优值函数用于接受或拒绝试探点,而constr_penalty
权衡了减小目标函数和约束这两个相互冲突的目标。惩罚在整个优化过程中自动更新,其中initial_constr_penalty
是其初始值。默认为 1 (在[1],p. 19 中推荐)。- initial_barrier_parameter, initial_barrier_tolerance: float, 可选
障碍子问题的初始障碍参数和初始容差。两者仅在存在不等式约束时使用。为了处理受不等式约束
c(x) <= 0
的优化问题min_x f(x)
,算法引入松弛变量,转而求解受等式约束c(x) + s = 0
的问题min_(x,s) f(x) + barrier_parameter*sum(ln(s))
。该子问题通过减小barrier_parameter
的值和减小终止容差来求解,障碍参数从initial_barrier_parameter
开始,障碍容差从initial_barrier_tolerance
开始。两个值的默认值均为 0.1 (在[1],p. 19 中推荐)。另请注意,barrier_parameter
和barrier_tolerance
以相同的预因子更新。- factorization_methodstring or None, 可选
对约束的雅可比矩阵进行因式分解的方法。使用 None (默认) 进行自动选择,或选择以下之一:
‘NormalEquation’ (需要 scikit-sparse)
‘AugmentedSystem’
‘QRFactorization’
‘SVDFactorization’
‘NormalEquation’ 和 ‘AugmentedSystem’ 方法只能用于稀疏约束。算法所需的投影将分别使用[1]中解释的正规方程和增广系统方法计算。‘NormalEquation’ 计算
A A.T
的 Cholesky 因式分解,而 ‘AugmentedSystem’ 执行增广系统的 LU 因式分解。它们通常提供相似的结果。‘AugmentedSystem’ 默认用于稀疏矩阵。‘QRFactorization’ 和 ‘SVDFactorization’ 方法只能用于密集约束。它们分别使用 QR 和 SVD 因式分解计算所需的投影。‘SVDFactorization’ 方法可以处理行秩不足的雅可比矩阵,并在其他因式分解方法失败时使用(这可能意味着在需要时将稀疏矩阵转换为密集格式)。默认情况下,‘QRFactorization’ 用于密集矩阵。
- finite_diff_rel_stepNone or array_like, 可选
有限差分近似的相对步长。
- maxiterint, 可选
算法最大迭代次数。默认为 1000。
- verbose{0, 1, 2, 3}, 可选
算法的详细程度级别
0 (默认) : 静默工作。
1 : 显示终止报告。
2 : 在迭代过程中显示进度。
3 : 在迭代过程中显示进度 (更完整的报告)。
- dispbool, 可选
如果为 True (默认),则如果verbose为 0,它将被设置为 1。
- workersint, map-like callable, 可选
一个类 map 的可调用对象,例如multiprocessing.Pool.map,用于并行评估任何数值微分。此评估以
workers(fun, iterable)
的形式执行。1.16.0 版新增。
- 返回:
OptimizeResult
,包含以下文档中的字段。请注意以下几点:所有与约束对应的值都按照传递给求解器的顺序排列。并且与bounds约束对应的值放在其他约束之后。
所有函数、雅可比或 Hessian 评估的次数都对应于实际 Python 函数调用的次数。这意味着,例如,如果雅可比矩阵通过有限差分估计,则雅可比评估次数将为零,而函数评估次数将因有限差分估计期间的所有调用而增加。
- xndarray, 形状 (n,)
找到的解。
- optimalityfloat
解处拉格朗日梯度的无穷范数。
- constr_violationfloat
解处最大约束违反。
- funfloat
解处的目标函数值。
- gradndarray, 形状 (n,)
解处目标函数的梯度。
- lagrangian_gradndarray, 形状 (n,)
解处拉格朗日函数的梯度。
- nitint
总迭代次数。
- nfevinteger
目标函数评估次数。
- njevinteger
目标函数梯度评估次数。
- nhevinteger
目标函数 Hessian 评估次数。
- cg_niterint
共轭梯度法总迭代次数。
- method{‘equality_constrained_sqp’, ‘tr_interior_point’}
使用的优化方法。
- constrndarray 列表
解处的约束值列表。
- jac{ndarray, 稀疏数组} 列表
解处约束的雅可比矩阵列表。
- vndarray 列表
解处约束的拉格朗日乘子列表。对于不等式约束,正乘子表示上限有效,负乘子表示下限有效,如果乘子为零则表示约束不活跃。
- constr_nfevint 列表
每个约束的约束评估次数。
- constr_njevint 列表
每个约束的雅可比矩阵评估次数。
- constr_nhevint 列表
每个约束的 Hessian 评估次数。
- tr_radiusfloat
最后一次迭代时的信赖域半径。
- constr_penaltyfloat
最后一次迭代时的惩罚参数,请参阅initial_constr_penalty。
- barrier_tolerancefloat
最后一次迭代时障碍子问题的容差。仅适用于带有不等式约束的问题。
- barrier_parameterfloat
最后一次迭代时的障碍参数。仅适用于带有不等式约束的问题。
- execution_timefloat
总执行时间。
- messagestr
终止消息。
- status{0, 1, 2, 3, 4}
终止状态
0 : 超过了函数评估的最大次数。
1 : 满足gtol终止条件。
2 : 满足xtol终止条件。
3 : callback函数请求终止。
4 : 约束违反超过 ‘gtol’。
1.15.0 版中更改: 如果约束违反超过gtol,则
result.success
现在将为 False。- cg_stop_condint
CG 子问题在最后一次迭代终止的原因
0 : CG 子问题未评估。
1 : 达到迭代限制。
2 : 到达信赖域边界。
3 : 检测到负曲率。
4 : 满足容差。
参考文献