利用scipy.optimize.minimize()求解有约束、非线性规划问题

'''scipy.optimize.minimize(目标函数obj,初始点,constraints=cons,bounds=bd)此函数有很多参数，这里介绍主要参数obj:目标函数，最小值形式，常用lambda函数进行构造bounds: [[a，b],[]..]二维列表格式，n行2列的矩阵，n行指n个决策变量，2列指下限上限        也可以转化成constraintconstraint: 约束，{'type':'ineq/eq‘,'fun':lambda x:}字典格式,fun默认＞/≥/=形式            如果一个非线性规划问题既有等式约束、又有不等式约束，可分别构造cons1,cons2。然后合并con=[cons1,cons2]            线性/非线性'''例子：求解下列有约束、非线性 规划问题。from scipy import optimize#构造目标函数obj，最小化形式obj=lambda x:(x[0]-1)**2+(x[1]-2.5)**2#构造约束条件cons，≥形式cons=[{'type':'ineq','fun':lambda x:x[0]-x[1]*2+2},      {'type':'ineq','fun':lambda x:-x[0]-x[1]*2+6},      {'type':'ineq','fun':lambda x:-x[0]+x[1]*2+2}      ]#变量上下限值boundsbounds=[[0,None],[0,None]]#初始解x0x0=[0,0]result = optimize.minimize(obj, x0, constraints=cons, bounds=bounds)print(result)

来源地址：https://blog.csdn.net/Fisher005/article/details/129676101