scipy.optimize.minimize中eq约束固定返回0为何执行失败？

1. 固定返回0的eq约束触发奇异矩阵错误的原因 #

SLSQP是序列二次规划算法，每次迭代会构建一个二次子问题，依赖约束函数的**雅可比矩阵（梯度）**确定可行的搜索方向：

• 当你添加固定返回0的eq约束时，这个函数对所有变量的梯度（偏导数）全为0——函数值不随任何变量变化。
• SLSQP处理eq约束时，会将当前活跃的约束梯度纳入子问题的矩阵构建。全0的梯度意味着没有有效的线性约束方向，导致子问题中的矩阵C（约束雅可比相关矩阵）变得奇异（秩不足），无法求解可行搜索方向，最终触发"Singular matrix C in LSQ subproblem"错误（退出码6）。
• 改为ineq约束并返回1时，该约束始终满足（scipy中ineq约束要求fun(x)>=0），属于松弛约束，不会被加入活跃约束集参与子问题构建，自然不会引发矩阵奇异问题。

2. 对eq约束返回值取整导致失败的原因 #

SLSQP是基于梯度的光滑优化算法，要求目标函数和约束函数必须连续可导：

• 正常eq约束返回值在0附近波动，是算法迭代调整变量、逐步逼近约束满足的正常过程——此时约束函数的梯度能提供有效方向指引，让算法修正变量走向可行域。
• 对返回值取整后，约束函数变成阶跃函数，在0附近存在不连续点，梯度要么不存在要么突变。SLSQP依赖约束的局部线性近似（雅可比矩阵）构建子问题，这种不连续会导致梯度计算失效，子问题逻辑出现矛盾，最终优化失败。

3. 关于eq约束是否允许跨越0线的疑问 #

你的怀疑是正确的：SLSQP在迭代过程中允许eq约束的返回值在0附近波动（跨越0线），这是算法逐步收敛到可行解的正常表现。但核心前提是约束函数必须保持连续可导，这样算法才能通过梯度信息调整变量，最终让约束值稳定到0附近。如果约束函数失去光滑性（比如固定值、取整），算法就失去了调整方向的依据，必然失败。

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