我將逐行檢查您的代碼，并強調一些問題：from scipy.optimize import minimize

import numpy as np

prices=np.array([[1.5,50,30]])

xp =np.array([[1.5,50,30]])

prices和xp是向量，不是矩陣，使用np.array([1.5,50,30])來聲明向量

^{pr2}$

函數(shù)的右邊不依賴于x，因此函數(shù)是常量。在python中，*也是元素級的。您可以使用np.dot來計算標量積。在fun = lambda x: np.dot(x, prices)cons = ({'type': 'ineq', 'fun': lambda x: (xp*0.25)<=500},

{'type': 'ineq', 'fun': lambda x: (xp*0.25)>=0})

這不是約束的定義方式。你可以檢查一下文件。不等式由一個集函數(shù)g_i(x)表示。其中g_i(x) >= 0表示所有i。同樣的問題是：函數(shù)聲明的右邊沒有使用x。在cons = ({'type': 'ineq', 'fun': lambda x: -x*0.25 + 500},

{'type': 'ineq', 'fun': lambda x: x*0.25})bnds = ((0, None), (0, None), (0, None))

這很好，但是當向量變長時，bnds = [(0,None)] * 3會派上用場。在res = minimize(fun, (2,0,0), method='SLSQP', bounds=bnds, constraints=cons)

函數(shù)和所有限制在x中都是線性的。因此，這是一個線性規(guī)劃，SLSQP可能不是解決它的最佳方法。對于這個例子，您可能想看看scipy.optimize.linprog。在

作為旁注：我想這只是一個玩具的例子。顯然，這種優(yōu)化的結果是零向量。在

結果是：njev: 3

x: array([ 0., 0., 0.])

nit: 3

status: 0

message: 'Optimization terminated successfully.'

jac: array([ 1.5, 50. , 30. , 0. ])

success: True

fun: 0.0

nfev: 15

《新程序員》：云原生和全面數(shù)字化實踐50位技術專家共同創(chuàng)作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的python网页优化公司_使用python优化scipy.optimize.minimize公司的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。