如何用scipy.optimize.LinearConstraint表示多维线性约束？

你的约束本质是对所有i≠j，满足 a_ij < x_i - x_j < a_ji，要适配LinearConstraint的要求，核心是把二维的矩阵约束拆解为二维系数矩阵+边界向量的形式——因为LinearConstraint只接受形状为(约束数量, 变量数量)的系数矩阵。

约束转换逻辑 #

每个x_i - x_j的约束对应系数矩阵中的一行：

• 行向量的第i位设为1，第j位设为-1，其余位置为0，该行与x的点积即为x_i - x_j
• 对应的下界是a_ij，上界是a_ji，正好匹配a_ij ≤ x_i - x_j ≤ a_ji（优化中通常用闭区间替代严格不等式，若需严格约束可给边界加微小偏移，比如a_ij + 1e-8）

代码实现 #

假设x是长度为n的向量，a是给定的n×n约束矩阵：

import numpy as np
from scipy.optimize import minimize, LinearConstraint

n = 3  # 示例变量维度
a = np.array([[0, 1, -2],
              [-1, 0, 3],
              [2, -3, 0]])  # 示例约束矩阵

# 构造系数矩阵A、下界lb、上界ub
A = []
lb = []
ub = []

for i in range(n):
    for j in range(n):
        if i == j:
            continue  # 跳过i=j的情况，此时x_i-x_j=0，约束无意义
        # 生成对应x_i - x_j的系数行
        row = np.zeros(n)
        row[i] = 1
        row[j] = -1
        A.append(row)
        lb.append(a[i, j])
        ub.append(a[j, i])

# 转换为numpy数组格式
A = np.array(A)
lb = np.array(lb)
ub = np.array(ub)

# 创建LinearConstraint对象
constraint = LinearConstraint(A, lb, ub)

# 示例：最小化x的平方和
def objective(x):
    return np.sum(x**2)

x0 = np.zeros(n)
result = minimize(objective, x0, constraints=[constraint])

高效构造技巧 #

如果n较大，用掩码跳过i=j的元素，避免双重循环的冗余：

mask = np.eye(n, dtype=bool)  # 生成对角掩码，标记i=j的位置
# 构造系数矩阵A
A = []
for i in range(n):
    row_template = np.zeros(n)
    row_template[i] = 1
    # 为每个j≠i生成行
    for j in np.where(~mask[i])[0]:
        row = row_template.copy()
        row[j] = -1
        A.append(row)
A = np.array(A)

# 直接提取lb和ub
lb = a[~mask]
ub = a.T[~mask]

内容的提问来源于stack exchange，提问作者sds