Python带约束的非线性优化问题求解求助（Gekko适用？）

问题明确 #

给定观测数据 $x_1, x_2, ..., x_n$、固定目标值 $B$ 和容差 $E$，求解参数 $a_0, a_1, a_2$：

• 目标函数：最小化 $\sum_{i=1}^n w_i^2$，其中 $w_i = \exp(a_0 + a_1 x_i + a_2 x_i^2)$
• 约束条件：
  1. $\sum_{i=1}^n w_i = n$（$w_i$ 的均值为1）
  2. $B - E \leq \frac{1}{n}\sum_{i=1}^n w_i x_i \leq B + E$（加权均值与目标值的偏差在容差范围内）

Python 实现（基于Gekko） #

Gekko适合处理这类带约束的非线性优化问题，以下是可直接运行的示例代码：

import numpy as np
from gekko import GEKKO

# ---------------------- 模拟输入数据（可替换为你的真实数据） ----------------------
n = 50  # 样本量
x = np.random.normal(loc=5, scale=2, size=n)  # 模拟观测数据
B = 6.0  # 目标加权均值
E = 0.1  # 容差

# ---------------------- 初始化Gekko模型 ----------------------
m = GEKKO(remote=False)  # remote=False表示本地运行

# ---------------------- 定义优化变量 a0, a1, a2 ----------------------
a0 = m.Var(value=0)  # 初始值设为0，可根据实际调整
a1 = m.Var(value=0)
a2 = m.Var(value=0)

# ---------------------- 计算每个样本的w_i ----------------------
w = [m.exp(a0 + a1 * xi + a2 * xi**2) for xi in x]

# ---------------------- 设置目标函数：最小化sum(w_i^2) ----------------------
m.Obj(sum(wi**2 for wi in w))

# ---------------------- 添加约束条件 ----------------------
# 约束1：sum(w_i) = n
m.Equation(sum(w) == n)

# 约束2：加权均值在[B-E, B+E]范围内
weighted_mean = sum(wi * xi for wi, xi in zip(w, x)) / n
m.Equation(weighted_mean >= B - E)
m.Equation(weighted_mean <= B + E)

# ---------------------- 求解优化问题 ----------------------
m.options.SOLVER = 3  # 使用IPOPT求解器（适合非线性问题）
m.solve(disp=True)  # disp=True显示求解过程

# ---------------------- 输出结果 ----------------------
print("\n优化结果：")
print(f"a0 = {a0.value[0]:.6f}")
print(f"a1 = {a1.value[0]:.6f}")
print(f"a2 = {a2.value[0]:.6f}")

# ---------------------- 验证约束条件 ----------------------
w_values = np.exp(a0.value[0] + a1.value[0] * x + a2.value[0] * x**2)
sum_w = np.sum(w_values)
weighted_mean_calc = np.sum(w_values * x) / n

print("\n约束验证：")
print(f"sum(w_i) = {sum_w:.4f} (目标值：{n})")
print(f"加权均值 = {weighted_mean_calc:.4f} (目标范围：[{B-E:.4f}, {B+E:.4f}])")
print(f"目标函数值 sum(w_i^2) = {np.sum(w_values**2):.4f}")

关键说明 #

1. 约束转换：将绝对值约束拆分为两个不等式约束，符合Gekko的等式/不等式约束定义规范。
2. 求解器选择：使用IPOPT（Solver=3）是因为它擅长处理包含指数函数的非线性优化问题。
3. 初始值：如果求解不收敛，可尝试调整 a0, a1, a2 的初始值（比如根据数据分布设置合理初始值）。
4. 数据替换：只需替换代码中 x, B, E 的值为你的真实观测数据和参数即可。

内容的提问来源于stack exchange，提问作者Jonathan A