scipy.optimize求解多产品最优Input A值遇参数报错，如何解决？

问题背景 #

需要求解产品1和产品2的Input A最优值，实现总输出最大化并满足给定约束。使用Python的Scipy minimize函数处理单一产品时正常，但多产品场景下报错：

TypeError: constraint() missing 1 required positional argument: 'Product2_InputA'

错误核心原因 #

Scipy minimize要求目标函数、约束函数的输入必须是单一一维数组，而非多个独立参数。原代码将两个产品的Input A分开传递，同时存在函数引用错误（直接使用函数对象而非调用函数），导致参数传递失败。

修正后的完整代码 #

import numpy as np
from scipy.optimize import minimize 

# 产品参数定义
Product1_InputB = np.array([0.5])
Product1_InputC = np.array([1])
Product1_InputD = np.array([1])
Product1_InputE = np.array([0.08])
Product1_InputF = np.array([20])

Product2_InputB = np.array([0.5])
Product2_InputC = np.array([1])
Product2_InputD = np.array([2])
Product2_InputE = np.array([0.1])
Product2_InputF = np.array([30])

# 单个产品负输出计算（修正：传入参数并计算）
def Neg_Product1_Output(input_a):
    exponent = (input_a - Product1_InputB) * (0.5*Product1_InputC - 1.5*Product1_InputD)
    sigmoid = np.exp(exponent) / (1 + np.exp(exponent))
    return -1 * sigmoid * (input_a - Product1_InputB)

def Neg_Product2_Output(input_a):
    exponent = (input_a - Product2_InputB) * (0.5*Product2_InputC - 1.5*Product2_InputD)
    sigmoid = np.exp(exponent) / (1 + np.exp(exponent))
    return -1 * sigmoid * (input_a - Product2_InputB)

# 总负输出：输入为打包后的数组[x1, x2]
def Neg_Total_Output(x):
    x1, x2 = x
    return Neg_Product1_Output(x1) + Neg_Product2_Output(x2)

# 约束函数：输入为打包后的数组[x1, x2]
def constraint(x):
    x1, x2 = x
    neg_out1 = Neg_Product1_Output(x1)
    neg_out2 = Neg_Product2_Output(x2)
    total_neg_out = neg_out1 + neg_out2
    # 添加小epsilon避免除以0
    return (((x1 - Product1_InputE) * neg_out1) + ((x2 - Product2_InputE) * neg_out2)) / (total_neg_out + 1e-8) - 2

# 配置约束、初始猜测值、边界
con = {'type':'ineq', 'fun': constraint}
initial_guess = np.array([3, 1])  # 打包两个产品的初始值
bounds = [(0.3,4), (0.3,4)]       # 合并两个产品的边界

# 执行优化
optimized_results = minimize(Neg_Total_Output, initial_guess, bounds=bounds, constraints=con)

# 提取最优值
Product1_InputA_Optimal = optimized_results.x[0]
Product2_InputA_Optimal = optimized_results.x[1]

print(f"产品1最优Input A: {Product1_InputA_Optimal}")
print(f"产品2最优Input A: {Product2_InputA_Optimal}")

关键修正点 #

• 参数打包：将多个产品的Input A合并为一个一维数组x，作为所有函数的输入，内部再拆分为单个产品的参数。
• 函数调用修正：原代码中直接使用Neg_Product1_Output（函数对象），修正为调用函数并传入对应参数Neg_Product1_Output(x1)。
• 数值稳定性：约束函数中添加1e-8避免除以0的情况。
• 边界与初始值合并：将两个产品的初始猜测和边界合并为对应长度的数组/列表，适配minimize的输入要求。

扩展到数千产品的思路 #

1. 将所有产品的参数存储在列表/字典中，比如products = [{'B':0.5, 'C':1, ...}, ...]。
2. 动态生成目标函数：遍历产品列表，对每个产品的Input A（从打包数组中取出对应位置的值）计算负输出并求和。
3. 动态生成约束函数：同样遍历产品列表，累积计算约束表达式的分子和分母。
4. 初始猜测和边界：按产品顺序生成对应长度的数组/列表即可。

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