scipy.optimize.NonlinearConstraint¶
- class scipy.optimize.NonlinearConstraint(fun, lb, ub, jac='2-point', hess=<scipy.optimize._hessian_update_strategy.BFGS object>, keep_feasible=False, finite_diff_rel_step=None, finite_diff_jac_sparsity=None)[源代码]¶
变量的非线性约束。
约束具有一般不等式形式：：
lb <= fun(x) <= ub
这里，自变量的向量x作为形状(n，)的ndarray传递
fun返回具有m个分量的向量。可以使用相等边界来表示相等约束，也可以使用无限边界来表示单边约束。
- 参数
- fun可调用
定义约束的函数。签名是
fun(x) -> array_like, shape (m,)。- Lb、Ubarray_like
约束的下界和上界。每个数组必须具有形状(m，)或标量，在后一种情况下，约束的所有组件的边界将相同。使用
np.inf使用适当的符号来指定单侧约束。设置组件 lb 和 ub 等于表示相等约束。注意，通过设置不同的组件，可以混合不同类型的约束：间隔约束、单边约束或相等约束 lb 和 ub 如果有必要的话。- jac{可调用，‘2点’，‘3点’，‘cs’}，可选
计算雅可比矩阵(m×n矩阵，其中元素(i，j)是f的偏导数)的方法 [i] 关于x [j] )。关键字{‘2-point’，‘3-point’，‘cs’}选择用于数值估计的有限差分格式。可调用对象必须具有以下签名：
jac(x) -> {{ndarray, sparse matrix}}, shape (m, n)。默认值为‘2点’。- hess{Callable，‘2-point’，‘3-point’，‘cs’，HessianUpdateStrategy，None}，可选
计算黑森矩阵的方法。关键字{‘2-point’，‘3-point’，‘cs’}选择用于数值估计的有限差分格式。或者，对象实现
HessianUpdateStrategy界面可以用来近似黑森语。目前可用的实施包括：可调用对象必须返回的Hessian矩阵
dot(fun, v)并且必须有以下签名：hess(x, v) -> {{LinearOperator, sparse matrix, array_like}}, shape (n, n)。这里v是包含拉格朗日乘子的形状(m，)的ndarray。- keep_feasiblebool的array_like，可选
是否使约束组件在整个迭代过程中保持可用。单个值会为所有组件设置此属性。默认值为False。对相等约束无效。
- finite_diff_rel_step: None or array_like, optional
有限差分近似的相对步长。默认值为None，它将根据有限差分方案自动选择一个合理的值。
- finite_diff_jac_sparsity: {{None, array_like, sparse matrix}}, optional
定义了用于有限差分估计的雅可比矩阵的稀疏结构，其形状必须为(m，n)。如果雅可比函数中只有几个非零元素 each 行，提供稀疏结构将大大加快计算速度。零条目表示雅可比中的相应元素等同为零。如果提供，则强制使用“lsmr”信任区域解算器。如果无(默认)，则将使用密集差异。
注意事项
有限差分格式{‘2点’，‘3点’，‘cs’}可以用来逼近雅可比或黑森。然而，我们不允许同时使用它来近似两者。因此，无论何时通过有限差分来估计雅可比，我们都需要使用拟牛顿策略之一来估计海森。
方案‘CS’可能是最精确的，但是需要函数来正确地处理复杂输入，并且能够解析地连续到复杂平面。“3点”方案比“2点”方案更精确，但需要的运算量是“2点”方案的两倍。
示例
约束
x[0] < sin(x[1]) + 1.9>>> from scipy.optimize import NonlinearConstraint >>> con = lambda x: x[0] - np.sin(x[1]) >>> nlc = NonlinearConstraint(con, -np.inf, 1.9)