为了解决我的非线性规划,我首先解决了问题的零成本版本(即可行性问题),并将结果用作完全优化问题的猜测。可行性问题,很多约束,其中有x * y = slack形式的约束,其中x,y,slack都是变量(我用它来表示一个松弛的互补约束)。我使用可行性问题的解决方案作为优化问题的猜测。优化问题就是在slack上加上一个二次成本的可行性
昨天晚上,我花了4到5个小时搜索堆栈溢出,浏览文件等,但找不到我的问题的答案。我的问题是,当选项似乎只是上界时,如何为优化方程设置一个下界?请看下面的公式和代码。import numpy as npfrom numpy.linalg import solve
A = np.array([[4,1,10],[3,2,1],[0,4,5]])
b = np.array([10