我试图最小化一个超过一千个变量的线性函数。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只是向量化函数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})
但最优参数不在可行域内。实际上,经过1到2次迭代后,最优参数就离开了可行域。可能的原因是什么?谢谢!
最佳答案
sum的第一个约束使-0.01 <= sum(w) <= 0.01
不是“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:)