如何最小化以元组列表为参数的函数？Scipy minimize报错与约束实现

问题分析 #

1. 维度错误：scipy.optimize.minimize要求初始猜测x0是一维数组，而传入的二维元组列表不符合要求，触发ValueError: 'x0' must only have one dimension。
2. 离散约束：要从预定义元组集合中选择元素，这属于离散优化问题，常规连续优化方法无法直接通过约束实现，需转换问题形式。

解决方案 #

将问题转化为选择元组索引的优化问题：每个位置对应一个索引（范围0到len(possible_values)-1），通过优化索引来锁定符合要求的元组，同时适配一维数组的输入规则。推荐使用differential_evolution（原生支持整数约束，更适配离散优化场景）。

完整代码示例 #

import numpy as np
from scipy.optimize import differential_evolution

# 预定义可选元组集合
possible_values = np.array([(0.,0.), (1.7,2.2), (10.,1.2), (0.,0.15), (4.1,6.2)])
# 初始猜测的元组列表
initial_guess = [(2.,0.6), (0.9,8.1)]

# 目标函数：接收索引数组，计算对应元组的平方和
def objective(indices):
    # 转换为整数索引
    idx = indices.astype(int)
    selected_tuples = possible_values[idx]
    return np.sum(selected_tuples[:,0]**2 + selected_tuples[:,1]**2)

# 确定每个索引的取值范围：0到possible_values的长度-1
bounds = [(0, len(possible_values)-1)] * len(initial_guess)

# 生成初始索引：找到与原猜测最接近的预定义元组的索引
initial_indices = []
for guess in initial_guess:
    distances = np.linalg.norm(possible_values - guess, axis=1)
    initial_indices.append(np.argmin(distances))

# 使用差分进化算法优化，强制所有变量为整数
result = differential_evolution(
    fun=objective,
    bounds=bounds,
    x0=initial_indices,
    integer_vars=list(range(len(initial_guess)))
)

# 转换回选中的元组列表
selected_tuples = possible_values[result.x.astype(int)]
print("优化结果（选中的元组）：")
print(selected_tuples)
print("目标函数最小值：", result.fun)

代码说明 #

1. 维度适配：用一维索引数组替代二维元组列表作为优化变量，满足Scipy优化函数的输入要求。
2. 离散约束实现：通过integer_vars参数强制所有变量为整数，确保索引只能指向possible_values中的元组。
3. 初始索引生成：匹配原初始猜测的最接近元组索引作为优化起点，提升收敛效率。

替代方案（使用minimize） #

若需使用minimize，可配合trust-constr方法实现整数约束，代码如下：

import numpy as np
from scipy.optimize import minimize
from scipy.optimize import IntegerConstraint

possible_values = np.array([(0.,0.), (1.7,2.2), (10.,1.2), (0.,0.15), (4.1,6.2)])
initial_guess = [(2.,0.6), (0.9,8.1)]

# 生成初始索引
initial_indices = []
for guess in initial_guess:
    distances = np.linalg.norm(possible_values - guess, axis=1)
    initial_indices.append(np.argmin(distances))

def objective(indices):
    idx = indices.astype(int)
    selected_tuples = possible_values[idx]
    return np.sum(selected_tuples[:,0]**2 + selected_tuples[:,1]**2)

# 设置整数约束：每个变量为0-4之间的整数
integer_constraint = IntegerConstraint(list(range(len(initial_indices))), 0, len(possible_values)-1)

result = minimize(
    fun=objective,
    x0=initial_indices,
    method='trust-constr',
    constraints=[integer_constraint]
)

selected_tuples = possible_values[result.x.astype(int)]
print("优化结果（选中的元组）：")
print(selected_tuples)

内容的提问来源于stack exchange，提问作者Dr. Paprika