Python SciPy optimize.fmin_slsqp用法及代码示例

本文简要介绍 python 语言中 scipy.optimize.fmin_slsqp 的用法。

用法:

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)#

使用顺序最小二乘法最小化函数

SLSQP 优化子例程的 Python 接口函数最初由 Dieter Kraft 实现。

参数 ：：

func： 可调用 f(x,*args)

目标函数。必须返回一个标量。

x0： 浮点数的一维数组

自变量的初始猜测。

eqcons： 列表，可选

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

f_eqcons： 可调用 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 ieqcons[j](x,*args) >= 0.0 在成功优化的问题中。

f_ieqcons： 可调用 f(x,*args)，可选

返回一个 1-D 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

为每个自变量 [(xl0, xu0),(xl1, xu1),…] 指定下限和上限的元组列表 无限值将被解释为较大的浮点值。

fprime： 可调用的f(x,*args)， 可选的

计算 func 的偏导数的函数。

fprime_eqcons： 可调用的f(x,*args)， 可选的

一个 f(x, *args) 形式的函数，它返回 m × n 等式约束法行数组。如果没有提供，法线将是近似的。 fprime_eqcons 返回的数组大小应为 (len(eqcons), len(x0))。

fprime_ieqcons： 可调用的f(x,*args)， 可选的

一个 f(x, *args) 形式的函数，它返回 m × n 不等式约束法行数组。如果没有提供，法线将是近似的。 fprime_ieqcons 返回的数组的大小应为 (len(ieqcons), len(x0))。

args： 顺序，可选

传递给 func 和 fprime 的附加参数。

iter： 整数，可选

最大迭代次数。

acc： 浮点数，可选

要求的准确性。

iprint： 整数，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：打印每次迭代和摘要的状态

disp： 整数，可选

覆盖 iprint 接口(首选)。

full_output： 布尔型，可选

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

epsilon： 浮点数，可选

有限差分导数估计的步长。

callback： 可调用的，可选的

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

func 的最终最小化器。

fx： 浮点数数组，如果 full_output 为真

目标函数的最终值。

its： 整数，如果 full_output 为真

迭代次数。

imode： 整数，如果 full_output 为真

优化器的退出模式(见下文)。

smode： 字符串，如果 full_output 为真

说明优化器退出模式的消息。

注意：

退出模式定义如下

-1 : Gradient evaluation required (g & a)
 0 : Optimization terminated successfully
 1 : Function evaluation required (f & c)
 2 : More equality constraints than independent variables
 3 : More than 3*n iterations in LSQ subproblem
 4 : Inequality constraints incompatible
 5 : Singular matrix E in LSQ subproblem
 6 : Singular matrix C in LSQ subproblem
 7 : Rank-deficient equality constraint subproblem HFTI
 8 : Positive directional derivative for linesearch
 9 : Iteration limit reached

例子：

教程中给出了示例。