scipy minimize SLSQP - 'Singular matrix C in LSQ subproblem' scipy最小化SLSQP - 'LSQ子问题中的奇异矩阵C'

Question

我正在使用SciPy尝试解决一个相当基本的优化问题。该问题受到限制，并且具有可变边界，我很确定它是线性的。

当我运行以下代码时，执行失败并显示错误消息“LSQ子问题中C矩阵奇异”。请问有人知道问题可能是什么吗？提前感谢。

编辑：我将在此处添加代码应执行的简短描述。我在代码开头定义了一个“需求”向量。该向量描述了某种产品在一段时间内的需求量。我想弄清楚的是如何下订单以满足这些需求，同时满足一些约束条件。这些约束条件是：

• 如果在某个时间点（即需求索引）存在需求，则必须有库存
• 在下订单后的4个“时间单位”之内不能再下订单
• 不能在最后4个时间单位下订单

这是我的代码：

from scipy.optimize import minimize
import numpy as np

demand = np.array([5, 10, 10, 7, 3, 7, 1, 0, 0, 0, 8])
orders = np.array([0.] * len(demand))

def objective(orders):
  return np.sum(orders)

def items_in_stock(orders):
  stock = 0
  for i in range(len(orders)):
    stock += orders[i]
    stock -= demand[i]
    if stock < 0.:
      return -1.
  return 0.

def four_weeks_order_distance(orders):
  for i in range(len(orders)):
    if orders[i] != 0.:
      num_orders = (orders[i+1:i+5] != 0.).any()
      if num_orders:
        return -1.
  return 0.

def four_weeks_from_end(orders):
  if orders[-4:].any():
    return -1.
  else:
    return 0.

con1 = {'type': 'eq', 'fun': items_in_stock}
con2 = {'type': 'eq', 'fun': four_weeks_order_distance}
con3 = {'type': 'eq', 'fun': four_weeks_from_end}
cons = [con1, con2, con3]

b = [(0, 100)]
bnds = b * len(orders)

x0 = orders
x0[0] = 10.

minimize(objective, x0, method='SLSQP', bounds=bnds, constraints=cons)

- puffadder

---

如果模型是线性的，SLSQP并不是解决它的好选择。一个专门用于线性模型的求解器会更加明显。 - Erwin Kalvelagen

感谢您的快速回复。我研究了scipy的linprog模块，但是我很难定义一些约束条件。例如，“four_weeks_order_distance”方法强加了一个约束条件，基本上是说在任何其他订单之后四周才能下订单。这个约束条件在矩阵形式下并不容易转换，或者至少从我的经验水平来看是这样的。 - puffadder

计数通常使用二进制变量进行。支持二进制变量的线性求解器称为MIP（混合整数规划）求解器。Scipy没有这个（但是可在Python环境中使用的MIP求解器很容易获得）。您所述的约束对于SLSQP来说是不好的，因为它违反了平滑性假设。 - Erwin Kalvelagen

Answer 1

虽然我不是运筹学家，但我认为问题出在你实施的约束条件不连续。我进行了一些小改动，使得约束条件现在具有连续性。

from scipy.optimize import minimize
import numpy as np

demand = np.array([5, 10, 10, 7, 3, 7, 1, 0, 0, 0, 8])
orders = np.array([0.] * len(demand))

def objective(orders):
    return np.sum(orders)


def items_in_stock(orders):
    """In-equality Constraint: Idea is to keep the balance of stock and demand.
    Cumulated stock should be greater than demand. Also, demand should never cross the stock.
    """
    stock = 0
    stock_penalty = 0
    for i in range(len(orders)):
        stock += orders[i]
        stock -= demand[i]
        if stock < 0:
            stock_penalty -= abs(stock)
    return stock_penalty


def four_weeks_order_distance(orders):
    """Equality Constraint: An order can't be placed until four weeks after any other order.
    """
    violation_count = 0
    for i in range(len(orders) - 6):
        if orders[i] != 0.:
            num_orders = orders[i + 1: i + 5].sum()
            violation_count -= num_orders
    return violation_count


def four_weeks_from_end(orders):
    """Equality Constraint: No orders in the last 4 weeks
    """
    return orders[-4:].sum()


con1 = {'type': 'ineq', 'fun': items_in_stock} # Forces value to be greater than zero. 
con2 = {'type': 'eq', 'fun': four_weeks_order_distance} # Forces value to be zero. 
con3 = {'type': 'eq', 'fun': four_weeks_from_end} # Forces value to be zero. 
cons = [con1, con2, con3]

b = [(0, 100)]
bnds = b * len(orders)

x0 = orders
x0[0] = 10.

res = minimize(objective, x0, method='SLSQP', bounds=bnds, constraints=cons,
               options={'eps': 1})

结果

  status: 0
 success: True
    njev: 22
    nfev: 370
     fun: 51.000002688311334
       x: array([  5.10000027e+01,   1.81989405e-15,  -6.66999371e-16,
         1.70908182e-18,   2.03187432e-16,   1.19349893e-16,
         1.25059614e-16,   4.55582386e-17,   6.60988392e-18,
         3.37907550e-17,  -5.72760251e-18])
 message: 'Optimization terminated successfully.'
     jac: array([ 1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  0.])
     nit: 23

[ round(l, 2) for l in res.x ]
[51.0, 0.0, -0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, -0.0]

因此，解决方案建议在第一周内完成所有订单。

• 这可以避免缺货情况。
• 单次购买（订单）应该在下一个订单四周内不进行任何购买。
• 最近四周没有购买记录。

- yardstick17

---

if和abs不是连续二次可微的。有时可能会起作用，但这违反了SLSQP的平滑性假设。 - Erwin Kalvelagen