带约束函数最大化：Scipy minimize代码结果不符预期求助

1. 目标函数参数传递问题 #

你修改后的目标函数新增了sign参数，但调用minimize时未通过args参数显式传递该参数。虽然函数设置了默认值sign=-1.0，但显式传递参数能避免潜在逻辑歧义，确保minimize正确执行最大化转换。

修正后的调用代码：

result = minimize(obj, x0, method='SLSQP', constraints=const_form, bounds=[bound_x1, bound_x2, bound_x3], args=(-1.0,))

2. 约束类型不匹配（核心问题） #

如果输出结果与预期不符，大概率是约束类型定义错误。原Excel Solver教程中的问题可能要求资源完全利用（即x1+x2+x3=150，等式约束），但你当前定义的是不等式约束（x1+x2+x3≤150）。

• 若原问题是等式约束，需修改约束的type为"eq"：

  const_form = {"type":"eq","fun":constr}
  

  此时最大化目标函数的最优解会在x1+x2+x3=150的前提下，优先分配权重给系数更高的变量（比如x1=150, x2=0, x3=0），目标值为150000。
• 若原问题确实是不等式约束，但输出仍不符合预期，需检查是否遗漏了原教程中的其他约束条件（比如变量比例限制、额外资源限制等），未体现的约束会导致解偏差。

完整修正代码（以等式约束为例） #

from scipy.optimize import minimize

def obj(x, sign=-1.0):
    x1 = x[0]
    x2 = x[1]
    x3 = x[2]
    return (x1*1000 + x2*1000 + x3*500) * sign

def constr(x):
    x1 = x[0]
    x2 = x[1]
    x3 = x[2]
    return 150 - (x1 + x2 + x3)

bound_x1 = (0, None)
bound_x2 = (0, None)
bound_x3 = (0, None)
const_form = {"type": "eq", "fun": constr}
x0 = [0, 0, 0]
result = minimize(obj, x0, method='SLSQP', constraints=const_form, bounds=[bound_x1, bound_x2, bound_x3], args=(-1.0,))

print("最优解：", result['x'])
print("结果详情：", result)

内容的提问来源于stack exchange，提问作者AI ML