我想在 GpyOpt
中运行约束优化。比如说,我想最小化
哪里
s.t。至少一个是非零,并且不超过 3 可以等于 1。所以我指定约束:
基于引用手册here ,看起来我们可以使用 numpy 函数指定约束。和here建议我们可以在调用BayesianOptimization
时指定约束。所以我使用以下代码在 GpyOpt
中表达这一点
import numpy as np
import GPyOpt
from GPyOpt.methods import BayesianOptimization
seed = 6830
np.random.seed(seed)
def f(x):
print(np.sum(x[:]), end=" ") # check if constraints are satisfied
z = np.sum(x)
return z**2
bounds = [{"name": "x", "type" : "discrete",
"domain" : (0, 1), "dimensionality": 10}]
constraints = [{'name' : 'more_than_0','constraint' : '-np.sum(x[:]) + 0.1'},
{'name' : 'less_than_3','constraint' : 'np.sum(x[:]) - 3'}]
bopt = BayesianOptimization(f, domain=bounds, constraints=constraints)
bopt.run_optimization(max_iter=10)
但是,看起来 GpyOpt
忽略了这些约束,因为我在控制台中得到以下输出:
6.0 1.0 5.0 7.0 3.0 2.0 2.0 0.0 1.0 3.0 1.0 1.0 1.0 0.0 2.0
其中包含大于 3 的值和 0。
如果我将 np.sum(x[:])
显式写为 x[:, 0] + x[:, 1] + ...
行为不会改变。
如果我指定连续域,仍然违反约束。
传递约束以使它们不被忽略的正确方法是什么?
我正在使用 GpyOpt
版本 1.2.1。
更新:
np.sum(x, 1)
而不是 np.sum(x[:])
不能解决问题。
我使用的是 Python 3.6.3,通过 pip 安装了 numpy 1.14.2 和 GPyOpt 1.2.1。
最佳答案
我不确定您对 x 的总结是否正确。约束表达式应该作用于整个 X 并输出每个数据点的值数组,然后根据约束检查每个值。
当我将两个表达式中的求和更改为:
np.sum(x, axis=1)
并保持代码完好无损,输出为:
1.0 2.0 1.0 2.0 2.0 2 2 2 2 1 2 2 1 2 1
无违规行为。
关于python - GpyOpt 忽略约束。指定它们的正确方法是什么?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/49390243/