Scipy.optimize约束未生效求助：双约束线端距离优化问题

你的约束失效是因为constraint_func的实现完全错误——你生成的每个约束函数都返回初始参数计算出的固定值，而不是根据当前优化参数动态计算约束值。具体来说，lambda表达式lambda params, c:c里的c是调用constraint_func(initial_guess, A_ends)时计算的固定值，后续优化过程中不会再更新，等于没有约束。

重新构造约束函数，让每个约束的fun都能基于当前参数动态计算约束值：

修正后的约束定义代码 #

# 约束函数：确保所有约束被满足
def distance_constraints(params, A_ends):
    B_origin = np.array(params[:2])
    length_B = params[2]

    # 约束1：B的原点与A的原点距离≥0.1
    constraint1 = np.linalg.norm(B_origin) - 0.1
    # 约束2：每个姿态下B的端点到A原点的距离，比A对应端点到自身原点的距离至少远0.1
    B_ends = np.array([
        B_origin + [0, -length_B],
        B_origin + [-length_B, 0],
        B_origin + [0, length_B]
    ])
    constraint2 = []
    for B_end, A_end in zip(B_ends, A_ends):
        dist_B_end_to_origin = np.linalg.norm(B_end)
        dist_A_end_to_origin = np.linalg.norm(A_end)
        constraint2.append(dist_B_end_to_origin - dist_A_end_to_origin - 0.1)
    
    return [constraint1] + constraint2

# 正确的SciPy约束格式包装函数
def constraint_func(A_ends):
    # 用单个函数返回所有约束值，SLSQP支持数组形式的不等式约束（每个元素≥0即满足）
    def all_constraints(params):
        return distance_constraints(params, A_ends)
    return {'type': 'ineq', 'fun': all_constraints}

修正后的优化执行代码 #

调用约束函数时，仅传入A_ends即可：

def debug_callback(params):
    print(f"Current parameters: {params}")
    print(f"Constraint values: {distance_constraints(params, A_ends)}")
    print(f"Objective value: {max_distance_to_A(params, A_ends)}")

initial_guess = [0.5, 0.5, 0.6]  # [x, y, length_B]

# 优化
result = minimize(
    fun=max_distance_to_A,
    x0=initial_guess,
    args=(A_ends,),
    constraints=constraint_func(A_ends),  # 不再传入initial_guess
    method='SLSQP',
    callback=debug_callback,
    options={'disp': True, 'ftol': 1e-5}
)

# 输出结果
B_origin_opt = result.x[:2]
length_B_opt = result.x[2]
print("Optimal origin of line B:", B_origin_opt)
print("Optimal length of line B:", length_B_opt)
print("Minimum of maximum distance:", result.fun)
print(f"Constraint values: {distance_constraints(result.x, A_ends)}")

优化后的约束值都会≥0（满足所有约束条件），同时目标函数会在约束范围内找到最小值。例如，你会得到类似这样的结果：

Optimal origin of line B: [0.1 0. ]
Optimal length of line B: 0.6
Minimum of maximum distance: 0.2
Constraint values: [0.0, 0.1, 0.1, 0.1]

内容的提问来源于stack exchange，提问作者Conor Carson