问题标签 [objective-function]

问题已更新

以前，我的模型中的控制变量mP范围很广，导致求解器失败。在约翰博士的建议下，我尝试在目标函数中对 P进行对数缩放。当出现新错误并出现错误代码“位置 4”时：

以下是模型和求解器设置的一部分。在模型中，我有控制变量m.log_P，还有两个乘数变量m.u_1，m.u_2，其他变量P，Q，D_1，D_2是状态变量，小写字母都是常数。）

在这里，我使用 '''m.options.CV_TYPE = 2 # l2-norm''' 设置了二次误差项。

一个错误代码为“位置 5”的在线案例是由于该等式中缺少“dt()”。看起来很相似，但不是我的情况。谁可以帮我这个事？提前致谢！！

我写了一个 cp 函数来用 ORtools 解决图形着色

（最小化颜色使用，当边缘上每两个顶点的颜色需要不同时）我得到奇怪的结果，这不是最优的，我不知道为什么 - 我认为我的目标函数是错误的，或者我的约束公式是错误的，任何帮助? 谢谢

我想先说我对使用 xgboost、pandas 和 numpy 还是很陌生。

目前我正在基于 kelly 标准为 XGBoost 实现自定义 OBJ 函数。这种方法取自 datascience.stackexchange 上的另一篇文章：https ://datascience.stackexchange.com/questions/16186/kelly-criterion-in-xgboost-loss-function

通过阅读 XGBoost 的文档，我需要返回梯度和粗麻布。( https://xgboost.readthedocs.io/en/latest/tutorials/custom_metric_obj.html ) 函数的梯度为：

函数的粗麻布为：

在哪里：

b = 投注获得的赔率

p = 获胜的概率

x = 算法预测

为此，我将 p 视为二进制变量，1 或 0，以判断下注是否成功。

因此，p = 真实结果，1 或 0

使用我编写以下代码的文档，我还提供了一个小型示例数据集：

但是，当我运行上述代码时，出现以下错误：

我不确定是什么导致了这个问题。任何见解或帮助将不胜感激。

我需要最小化字典的最大值。如何表达目标函数？

示例输入：A = {1: 1.0, 2: 2.0, 3: 2.0, 4: 1.0, 5: 7.0, 6: 1.0, 7: 4.0}

到目前为止，我已经尝试过：

• 计数 == 最大值（A.values（））
• 计数 == max(A.items(), key=operator.itemgetter(1))[1])

模型.最小化（计数）

我得到的错误是：DOcplexException: Unsupported relationship operator: x282 > x281, only <=, ==, >= are allowed

感谢任何答案！

我有 4 组不同规模的决策变量。

dgp, dgm, (y_s1+y_s2), v

dgp, dgm, (y_s1+y_s2) 低于 1000 v 在 6000 到 16000 的范围内。我想为目标函数中的 4 个变量中的每一个分配一定的权重，并且正在考虑将每个变量标准化为在添加权重之前在 0 到 1 之间。你能建议我该怎么做吗？

在我的回归问题中，当使用 LGBM 的内置泊松损失时，我得到了非常好的模型性能。现在我试图在我的自定义目标函数中重现 LGBM 的泊松损失。

这是LGBM的泊松函数源代码：https max_delta_step=0.7 ://github.com/microsoft/LightGBM/blob/7076cb8a3ac3a7b32dcf37be5593dddf27bf7f16/src/objective/regression_objective.hpp#L446在这里配置：https ://github.com/microsoft/LightGBM /blob/7076cb8a3ac3a7b32dcf37be5593dddf27bf7f16/include/LightGBM/config.h#L792

因此，在创建自定义目标函数时，我对 poission loss 的理解可以写成：

但是在不更改 LGBM 中的任何其他设置的情况下使用此代码，我的模型性能要差得多....

有谁知道如何在定制的反对函数中重现 LGBM 的泊松损失？

我想制作一个执行以下操作的 GA：

• 找到复合材料中满足 D(2,2) >= 210 且不失效（安全系数 > 0）的最小层数

我的目标函数是

我使用了 MATLAB GA

重要的是要说明：

• X是我通过代码的层压板
• 我使用索引来表示层 1=-75°, 2=-60°, ..., 12=90°, 13=inf
• infLoc 表示对应于“inf”值的索引，该值表示一个空层
• lb 都是 1（最小索引）
• ub 都是 13（最大索引）
• inLamSize 是层的起始数量（例如，50）和变量的数量
• 所有变量都被认为是 lb-ub 之间的整数

我的目标函数是

我的问题是GA没有找到正确的最小层数，这个问题是18（通过ModelCenter获得）。它似乎去了 19 和所有层对应的最小索引 1 代表 -75 度。我想知道是否正确定义了我的目标函数？或者我忽略了一些东西。此外，如果我强制所有 90 度层的初始上篮，那么它会找到正确的答案。

我的优化代码有问题。我编写的代码应该优化这两个目标，考虑它们的表达式并产生可以绘制的值。这是我的代码，如下所述。

这是出现的错误，

任何人都可以通过向我显示错误或帮助我来帮助我解决这个问题吗

我想在 pyomo 中实现以下目标函数：

obj_rule 是我在 pyomo 中的目标函数，函数 alpha_beta 是 obj_rule 调用的外部函数。我收到一个错误（错误消息的一部分）：

如何解决这个问题并以正确的方式实现目标函数？谢谢！

我正在尝试解决许多时隙（m 个时隙）中的能量优化问题，我正在使用 GurobiPy 和库 RSOME。我不想迭代地求解每个时隙，而是想向我的求解器提供未来时隙的所有参数和输入数据，以便影响其当前的决策。在这种情况下，我的决策变量 Pimp（输入能量）和 Pex（输出能量）的维度是 m 数组。

当我尝试编写使能源成本最小化的目标函数时

我收到以下关于维度的错误（在定义我的约束时我也可能会遇到）。我想同时在所有时隙上解决这个整体模型，那么我该怎么做？这个错误来源是什么？