scipy.optimize.minimize忽略约束

Question

我试图把超过1000个变量的线性函数最小化。约束是：(w是numpy数组，元素类型为float64)

cons = ({'type': 'ineq', 'fun': lambda w: 0.01 - abs(np.sum(w))},
        {'type': 'ineq', 'fun': lambda w: 1 - abs(np.sum(vMax0(w)))},
        {'type': 'ineq', 'fun': lambda w: 1 - abs(np.sum(vMin0(w)))})

其中vMax0和vMin0只是矢量化函数max(x,0)和min(x,0)。优化语句是：

    w_raw = minimize(totalRisk, w0, bounds = wBounds, constraints = cons, 
                     method='SLSQP', options={'disp': True})

但最优参数甚至不在可行范围内。实际上，经过1或2次迭代，最优参数就会走出可行区域。可能的原因是什么？谢谢!

Answer 1

sum的第一个约束使-0.01 <= sum(w) <= 0.01不“接近1”。

cons = ({'type': 'ineq', 'fun': lambda w: 0.01 - abs(1 - np.sum(w))},
    {'type': 'ineq', 'fun': lambda w: 1 - abs(np.sum(vMax0(w)))},
    {'type': 'ineq', 'fun': lambda w: 1 - abs(np.sum(vMin0(w)))})

现在和1的绝对差不大于0.01 :)