Scipy优化实战:trust-constr与SLSQP约束定义差异深度解析
第一次接触Scipy的优化模块时,我被文档里琳琅满目的算法选项晃花了眼。特别是当问题需要加入约束条件时,trust-constr和SLSQP这两种主流方法对约束的定义方式完全不同——一个要求构造专门的约束对象,另一个则要组装特定格式的字典。这不禁让人疑惑:为什么同一个库要设计两套截然不同的接口?它们各自适合什么场景?今天我们就来彻底拆解这个让无数初学者困惑的技术细节。
1. 约束定义方式对比:对象 vs 字典
trust-constr和SLSQP最直观的区别体现在约束的语法表达上。让我们通过一个实际案例来感受这种差异:假设我们需要优化二维Rosenbrock函数,同时满足以下约束:
- 边界约束:0 ≤ x₀ ≤ 1,-0.5 ≤ x₁ ≤ 2.0
- 线性约束:x₀ + 2x₁ ≤ 1 且 2x₀ + x₁ = 1
- 非线性约束:x₀² + x₁ ≤ 1 且 x₀² - x₁ ≤ 1
1.1 trust-constr的面向对象风格
trust-constr采用面向对象的方式定义约束,每种约束都有对应的类:
from scipy.optimize import Bounds, LinearConstraint, NonlinearConstraint
import numpy as np
# 边界约束
bounds = Bounds([0, -0.5], [1.0, 2.0])
# 线性约束
linear_con = LinearConstraint([[1, 2], [2, 1]], [-np.inf, 1], [1, 1])
# 非线性约束
def cons_f(x):
return [x[0]**2 + x[1], x[0]**2 - x[1]]
def cons_J(x):
return [[2*x[0], 1], [2*x[0], -1]] # 雅可比矩阵
nonlinear_con = NonlinearConstraint(cons_f, -np.inf, 1, jac=cons_J)
这种方式的优势在于:
- 类型安全:编译器会检查约束对象的类型是否正确
- 可扩展性:方便添加如Hessian矩阵等高级参数
- 可读性:约束条件与参数界限分离明确
1.2 SLSQP的字典式定义
相比之下,SLSQP采用字典列表的形式定义约束:
<
287



被折叠的 条评论
为什么被折叠?



