Scipy.optimize.minimize：回调价格昂贵时如何有效？

Question

关于scipy.optimize.minimize的问题：在TOSCA优化软件的词汇中，以计算人们必须基于设计变量（又称优化变量的值）构建和求解模型的设计响应，并且设计响应用于目标功能的定义和约束。是否有任何规定来计算设计变量的给定值一次设计响应，然后为目标函数和约束提供它们？该模型的构造和解决价格昂贵，因此，如果优化器需要多少次访问设计变量的给定值的回调，则该模型都会好多了，只需构建和求解一次模型。任何洞察力都将不胜感激。

Answer 1

from scipy.optimize import minimize

class Memoizer:
    def __init__(self):
        self.cache = {}

    def obj_and_con(self, x):
        x_hashable = tuple(x)
        if x_hashable in self.cache:
            return self.cache[x_hashable]

        obj_con = [x @ x, x[0] + x[1] - 1]

        self.cache[x_hashable] = obj_con
        return obj_con

    def fun(self, x):
        return self.obj_and_con(x)[0]

    def con(self, x):
        return self.obj_and_con(x)[1]

memoizer = Memoizer()
x0 = [2, 3]
constraints = {'type': 'eq', 'fun': memoizer.con}
minimize(memoizer.fun, x0, constraints=constraints)

在某些情况下，您可以使用

lru_cache

而不是手动缓存，但是它并不像仅将装饰器应用于

obj_and_con

时那样简单，因为numpy阵列不可用。