Python解決非線性規(guī)劃中經(jīng)濟(jì)調(diào)度問(wèn)題
1、概述
今天重點(diǎn)講非線性規(guī)劃中scipy.optimize.minize庫(kù)在非線性規(guī)劃中的應(yīng)用。Scipy 是 Python 算法庫(kù)和數(shù)學(xué)工具包，包括最優(yōu)化、線性代數(shù)、積分、插值、特殊函數(shù)、傅里葉變換、信號(hào)和圖像處理、常微分方程求解等模塊。
scipy.optimize 模塊中提供了多個(gè)用于非線性規(guī)劃問(wèn)題的方法，適用于不同類型的問(wèn)題。
brent()：?jiǎn)巫兞繜o(wú)約束優(yōu)化問(wèn)題，混合使用牛頓法/二分法。
fmin()：多變量無(wú)約束優(yōu)化問(wèn)題，使用單純性法，只需要利用函數(shù)值，不需要函數(shù)的導(dǎo)數(shù)或二階導(dǎo)數(shù)。
leatsq()：非線性最小二乘問(wèn)題，用于求解非線性最小二乘擬合問(wèn)題。
minimize()：約束優(yōu)化問(wèn)題，使用拉格朗日乘子法將約束優(yōu)化轉(zhuǎn)化為無(wú)約束優(yōu)化問(wèn)題。
2、scipy.optimize.minimize參數(shù)
scipy.optimize.minimize(fun, x0, args=(), method=None, jac=None, hess=None, hessp=None, bounds=None, constraints=(), tol=None, callback=None, options=None)
解釋：
- fun: 求最小值的目標(biāo)函數(shù)
- x0:變量的初始猜測(cè)值，如果有多個(gè)變量，需要給每個(gè)變量一個(gè)初始猜測(cè)值。minimize是局部最優(yōu)的解法，所以
- args:常數(shù)值,后面demo會(huì)講解，fun中沒(méi)有數(shù)字，都以變量的形式表示，對(duì)于常數(shù)項(xiàng)，需要在這里給值
- method:求極值的方法，官方文檔給了很多種。一般使用默認(rèn)。每種方法我理解是計(jì)算誤差，反向傳播的方式不同而已，這塊有很大理論研究空間
- constraints:約束條件，針對(duì)fun中為參數(shù)的部分進(jìn)行約束限制
3、簡(jiǎn)單案例引出
(1)Scipy.optimize實(shí)現(xiàn)
import numpy as np
from scipy.optimize import minimize
#目標(biāo)函數(shù)
def fun(args1):
a,b,c,d=args1
r=lambda x:(a*x[0]*x[0]+b*x[1]*x[1]+c*x[2]*x[2]+d)
return r
def con(args2):
x0min,x1min,x2min=args2
cons=({'type':'eq','fun':lambda x:-x[0]-x[1]**2+2},
{'type':'eq','fun':lambda x:x[1]+2*x[2]**2-3},
{'type':'ineq','fun':lambda x:x[0]**2-x[1]+x[2]**2},
{'type': 'ineq', 'fun': lambda x: -(x[0]+x[1]**2+x[2]**2-20)},
{'type':'ineq','fun':lambda x:x[0]-x0min},
{'type':'ineq','fun':lambda x:x[1]-x1min},
{'type':'ineq','fun':lambda x:x[2]+x2min})
return cons
def main():
args1=(1,2,3,8)
args2=(0,0,0)
cons=con(args2)
x0=np.array((1,2,3)) #初值
res=minimize(fun(args1),x0,method='SLSQP',constraints=cons)
print('minf(x):',res.fun)
print(res.success)
print('x：',[np.around(i) for i in res.x])
print('x1:',res.x[0])
print('x2:',res.x[1])
print('x3:',res.x[2])
#另一種表述
print("optimization problem(res):{}".format(res.x))
print("Xopt={}".format(res.x))
print("minf(x)={:.4f}".format(res.fun))
if __name__ == "__main__":
main()輸出結(jié)果
minf(x): 13.878994794551044
True
x： [1.0, 1.0, 1.0]
x1: 0.6743061260520056
x2: 1.1513878035150682
x3: 0.961408393062538
optimization problem(res):[0.67430613 1.1513878 0.96140839]
Xopt=[0.67430613 1.1513878 0.96140839]
minf(x)=13.8790
Process finished with exit code 0
(2)遺傳算法包實(shí)現(xiàn) （—sko.GA&sko.DE）
#from sko.DE import DE #差分進(jìn)化法
from sko.GA import GA #遺傳算法
def obj_func(p):
x1, x2, x3 = p
return x1 ** 2 + 2*x2 ** 2 + 3*x3 ** 2+8
constraint_eq = [
lambda x: -x[0]-x[1]**2+2,
lambda x: x[1]+2*x[2]**2-3
]
constraint_ueq = [
lambda x: -x[0]**2+x[1]-x[2]**2,
lambda x: x[0]+x[1]**2+x[2]**2-20
]
#de = DE(func=obj_func, n_dim=3, size_pop=50, max_iter=800, lb=[0, 0, 0],constraint_eq=constraint_eq, constraint_ueq=constraint_ueq)
ga = GA(func=obj_func, n_dim=3, size_pop=50, max_iter=800, lb=[0, 0, 0],
constraint_eq=constraint_eq, constraint_ueq=constraint_ueq)
#best_x, best_y = de.run()
best_x, best_y = ga.run()
print('best_x:', best_x, '\n', 'best_y:', best_y)輸出結(jié)果
best_x: [1. 1. 1.]
best_y: [14.]
Process finished with exit code 0
4、電力系統(tǒng)中應(yīng)用——經(jīng)濟(jì)調(diào)度
(1)案例
(2)Scipy.optimize實(shí)現(xiàn)
import numpy as np
from scipy.optimize import minimize
#目標(biāo)函數(shù)（FG1+FG2+FG3）
def fun(args1):
a0,a1,a2,b0,b1,b2,c0,c1,c2=args1
v=lambda x:(a0+a1*x[0]+a2*x[0]*x[0]
+b0+b1*x[1]+b2*x[1]*x[1]
+c0+c1*x[2]+c2*x[2]*x[2])
return v
def con(args2):
D,x0min,x0max,x1min,x1max,x2min,x2max=args2
cons=({'type':'eq','fun':lambda x:D-x[0]-x[1]-x[2]},
{'type':'ineq','fun':lambda x:x[0]-x0min},
{'type':'ineq','fun':lambda x:-x[0]+x0max},
{'type':'ineq','fun':lambda x:x[1]-x1min},
{'type':'ineq','fun':lambda x:-x[1]+x1max},
{'type':'ineq','fun':lambda x:x[2]-x2min},
{'type':'ineq','fun':lambda x:-x[2]+x2max})
return cons
def main():
args1=(4,0.3,0.0007,3,0.32,0.0004,3.5,0.3,0.00045)
args2=(700,100,200,120,250,150,300)
cons=con(args2)
x0=np.array((150,250,200)) #初值
res=minimize(fun(args1),x0,method='SLSQP',constraints=cons)
print('FGi-代價(jià):',res.fun)
print(res.success)
print('PGi—解：',[np.around(i) for i in res.x])
print('PG1:',res.x[0])
print('PG2:',res.x[1])
print('PG3:',res.x[2])
if __name__ == "__main__":
main()輸出結(jié)果
FGi-代價(jià): 305.9673913046252
True
PGi—解： [176.0, 250.0, 274.0]
PG1: 176.0874477123534
PG2: 250.0
PG3: 273.9125522876465
Process finished with exit code 0
(3)粒子群包實(shí)現(xiàn)（pyswarm)
pyswarm是一個(gè)支持帶約束的粒子群優(yōu)化包，sko.PSO中的pso僅支持帶上下限的約束，不支持等式和不等式約束，所以不太喜歡。
from pyswarm import pso
def object_func(x):
return (4+0.3*x[0]+0.0007*x[0]*x[0]+3+0.32*x[1]+0.0004*x[1]*x[1]+3.5+0.3*x[2]+0.00045*x[2]*x[2])
#不等式約束
def cons1(x):
return [x[0]+x[1]+x[2]-700]
lb = [100, 120, 150]#
ub = [200, 250, 300]
xopt, fopt = pso(object_func,lb,ub,ieqcons=[cons1], maxiter=100,swarmsize=1000)
print(xopt)
print(fopt)輸出結(jié)果
Stopping search: Swarm best objective change less than 1e-08
[179.34039956 250. 270.65960045]
305.97956393103044
Process finished with exit code 0
以上就是Python解決非線性規(guī)劃中經(jīng)濟(jì)調(diào)度問(wèn)題的詳細(xì)內(nèi)容，更多關(guān)于Python 非線性規(guī)劃的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
這篇文章主要介紹了Python中多線程及程序鎖淺析,本文用一個(gè)實(shí)例講解Python的多線程和程序鎖,需要的朋友可以參考下2015-01-01
這篇文章主要介紹了python??Matplotlib繪圖直線,折線,曲線,文章圍繞主題展開詳細(xì)的內(nèi)容介紹，具有一定的參考價(jià)值，需要的小伙伴可以參考一下2022-09-09
這篇文章主要分享的是 Python 編程語(yǔ)言的詳細(xì)介紹，Python 由 Guido van Rossum 設(shè)計(jì)，作為“ABC”編程語(yǔ)言的繼承者，于 1991 年首次發(fā)布。它是一種高級(jí)通用語(yǔ)言，其設(shè)計(jì)理念是通過(guò)使用縮進(jìn)來(lái)強(qiáng)調(diào)代碼的可讀性。文章具有一定的參考價(jià)值,需要的朋友可以參考一下2021-11-11
這篇文章主要介紹了Python如何批量獲取文件夾的大小并保存,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2020-03-03
Python實(shí)現(xiàn)微信好友的數(shù)據(jù)分析
這篇文章主要為大家詳細(xì)介紹了Python實(shí)現(xiàn)微信好友的數(shù)據(jù)分析，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2019-12-12
Python中輸入和輸出（打印）數(shù)據(jù)實(shí)例方法
在本篇文章里小編給大家整理的是關(guān)于Python中輸入和輸出（打?。?shù)據(jù)實(shí)例方法以及相關(guān)知識(shí)點(diǎn)，有需要的朋友們參考下。2019-10-10
Python Opencv任意形狀目標(biāo)檢測(cè)并繪制框圖
這篇文章主要為大家詳細(xì)介紹了Python Opencv任意形狀目標(biāo)檢測(cè)，并繪制框圖，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2019-07-07
python人工智能tensorflow構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)CNN
學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)已經(jīng)有一段時(shí)間，從普通的BP神經(jīng)網(wǎng)絡(luò)到LSTM長(zhǎng)短期記憶網(wǎng)絡(luò)都有一定的了解，但是從未系統(tǒng)的把整個(gè)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)記錄下來(lái)，我相信這些小記錄可以幫助我更加深刻的理解神經(jīng)網(wǎng)絡(luò)2022-05-05
Python使用sqlalchemy模塊連接數(shù)據(jù)庫(kù)操作示例
這篇文章主要介紹了Python使用sqlalchemy模塊連接數(shù)據(jù)庫(kù)操作,結(jié)合實(shí)例形式分析了sqlalchemy模塊的安裝及連接、調(diào)用數(shù)據(jù)庫(kù)相關(guān)操作技巧,需要的朋友可以參考下2019-03-03
Python如何讀取MySQL數(shù)據(jù)庫(kù)表數(shù)據(jù)
這篇文章主要為大家詳細(xì)介紹了Python如何讀取MySQL數(shù)據(jù)庫(kù)表數(shù)據(jù)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2017-03-03