如何解决当提供一个可行的猜测时，为什么程序返回不可行？
为了解决我的非线性程序，我首先解决了问题的零成本版本（即可行性问题），并将结果作为对完整优化问题的猜测。
可行性问题，很多约束，其中有 def cmdParamString = [ all database connection details are filled here]
if (application == 'abc') {
cmdParamString = [:]
}
形式的约束，其中 x * y = slack、x、y 都是变量（我用它来表示宽松的互补约束）。我使用可行性问题的解决方案作为对优化问题的猜测。优化问题只是在 slack 上添加二次成本的可行性问题。
奇怪的是，即使以可行的猜测为起点，优化问题仍然返回不可行。为什么会这样？程序不应该至少返回初始可行猜测作为解决方案吗？
完整的程序太长太复杂，无法包含在这个问题中，我还没有将它提炼成一个可重现的例子。也许这个问题的答案会为我指明正确的调查方向。提前致谢！
解决方法
由于您使用了 SNOPT 求解器来解决这个问题，而 SNOPT 使用顺序二次规划方法，这并不能保证在每次迭代中都能生成一个可行的解决方案，即使最初的解决方案是可行的。
您可以参考 SNOPT 手册 https://web.stanford.edu/group/SOL/papers/SNOPT-SIGEST.pdf 了解更多详情。 SNOPT 所做的是它定义了一个“评价函数”，它是成本和约束违规的组合（写成约束优化问题的拉格朗日函数），并且在每次迭代中 SNOPT 都试图减少这个评价函数。因此，只要成本的降低补偿了违反约束的增加，就会增加违反约束的情况。
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
