Python非线性函数优化：100 GP分配及SLSQP求解问题处理

看起来你在构建这个GP分配的优化问题时遇到了几个关键问题，我帮你梳理并修正一下：

首先，先明确核心需求：将100个GP分配给三个国家，每个国家的GP值必须为正，最大化三个国家的fun函数总和。下面是完整的解决方案：

1. 保留原始函数与数据 #

先把你提供的基础函数和数据保留下来：

import numpy as np
import pandas as pd
from scipy.optimize import minimize

def fun(Gp, Ra, Mr, Pot, Sp, Mc, Keep):
    if Keep == True:
        return Pot * np.tanh((Gp + Ra + Mr + Mc) * Sp)

dt_org = pd.DataFrame({
    "RA": [0.5, 0.8, 0.9], 
    "MR": [0.97, 0.95, 0.99], 
    "POT": [0.25, 0.12, 0.05], 
    "SP": [0.25, 0.12, 0.15], 
    "MC": [50, 75, 100], 
    "COUNTRY": ["GB", "IR", "GR"]
})

2. 预处理国家参数 #

先把每个国家的参数提取出来，避免在目标函数里重复取数，同时保证Keep参数的一致性（这里假设所有国家的Keep都是True，如果有不同可以单独调整）：

# 提取每个国家的参数列表
country_params = []
for _, row in dt_org.iterrows():
    params = {
        "Ra": row["RA"],
        "Mr": row["MR"],
        "Pot": row["POT"],
        "Sp": row["SP"],
        "Mc": row["MC"],
        "Keep": True
    }
    country_params.append(params)

3. 定义正确的目标函数 #

scipy.optimize.minimize要求目标函数只能接受优化变量x作为唯一参数，所以我们把国家参数提前预处理，目标函数计算三个fun的总和的负数（因为我们要最大化总和，转为最小化负数即可）：

def objective(x):
    # x是长度为3的数组，对应三个国家的GP分配值
    total_value = 0
    for i in range(3):
        total_value += fun(x[i], **country_params[i])
    # 返回负的总和，将最大化问题转为最小化问题
    return -total_value

4. 设置约束与边界 #

• 约束：必须保证三个GP的总和等于100，所以用等式约束（你之前用的不等式约束会允许总和超过100，这是错误的）
• 边界：每个GP必须为正，这里用1e-6代替0，避免优化器遇到数值边界问题：

# 等式约束：三个GP的总和等于100
constraints = ({'type': 'eq', 'fun': lambda x: np.sum(x) - 100})

# 边界：每个GP必须大于极小正数（避免等于0）
bounds = ((1e-6, None), (1e-6, None), (1e-6, None))

5. 设置初始值并运行优化 #

给优化器一个合理的初始值（比如平均分配100个GP），选择支持等式约束的SLSQP方法：

# 初始值：平均分配100个GP
initial_guess = np.array([100/3, 100/3, 100/3])

# 运行优化
result = minimize(objective, initial_guess, method='SLSQP', bounds=bounds, constraints=constraints)

6. 查看优化结果 #

print("优化完成！")
print(f"GP分配结果：")
print(f"GB: {result.x[0]:.2f}, IR: {result.x[1]:.2f}, GR: {result.x[2]:.2f}")
print(f"分配总和：{np.sum(result.x):.2f}")
print(f"最大化的目标函数值：{-result.fun:.4f}")

你之前遇到的问题解析 #

1. ValueError: Objective function must return a scalar：
   你之前的目标函数定义了x和y两个参数，但scipy.minimize只会传入优化变量x，导致传参错误。现在我们把国家参数提前预处理，目标函数只接受x，解决了这个问题。

2. 分配值非常接近、总和超过100：

   • 你之前用的是不等式约束x[0]+x[1]+x[2]-100 >=0，这会允许总和大于100，改成等式约束后强制总和等于100。
   • 初始值设置不合理也可能导致优化器收敛到局部最优，用平均分配的初始值能让优化器找到更合理的分配方案。

内容的提问来源于stack exchange，提问作者quant