Scipy optimize.minimize未遵循约束条件问题咨询

问题现象 #

使用Scipy的optimize.minimize函数进行约束优化时，设置了不等式约束obj_fun(x) - 0.01 ≥ 0（期望obj_fun(x) ≥ 0.01），但优化返回"Optimization terminated successfully"，最终obj_fun(x)的计算值仅约7.4e-05，远小于0.01，约束未被满足。

相关代码：

from scipy.optimize import minimize

def obj_fun(x):
   # I do here calculations depending on x and put the result in r
   fr = f1(x)
   pr = f2(x)
   r = abs((fr/pr)-1)
   print(r)
   return r

constr = {'type':'ineq', 'fun': lambda x: obj_fun(x)-0.01}
res = minimize(obj_fun,(0,0,0,0,0), constraints=constr, method='SLSQP')

优化结果示例：

7.41234e-05
7.41256e-05
...
7.4567e-05

fun: 7.4567e-05
...
message: 'Optimization terminated successfully.'
nfev: 161
nfit:19
njev:15
status:0
success: True
x: array([6.5, 6.5, 3.5, 3.6, 3.5])

核心原因分析 #

1. 约束方向可能完全搞反
   Scipy的ineq类型约束要求函数返回值≥0时才满足约束。你当前的约束函数lambda x: obj_fun(x)-0.01对应的约束是obj_fun(x) ≥ 0.01，但你的目标函数是最小化obj_fun(x)——这是一个矛盾的优化目标：既要让目标值尽可能小，又要求它不小于0.01。如果问题本身不存在满足obj_fun(x)≥0.01的可行解，优化器会无法找到符合约束的点，但可能因逻辑冲突导致返回异常的成功状态。

   另一种可能是你实际期望的约束是obj_fun(x) ≤ 0.01（确保目标值不超过阈值），但约束写法错误，此时当前的优化结果其实是满足约束的，只是你对约束方向的理解有误。

2. 初始点不可行，优化器无法找到可行域
   如果初始点(0,0,0,0,0)对应的obj_fun(x)已经远小于0.01，而问题本身存在满足obj_fun(x)≥0.01的解，SLSQP求解器可能因初始点距离可行域过远，无法在迭代次数内找到可行点，最终返回看似成功但未满足约束的结果。

3. 重复调用目标函数的冗余性
   约束函数和目标函数都调用obj_fun(x)，会导致重复计算，不仅降低效率，还可能因潜在的副作用（如f1/f2的内部状态改变）导致计算结果不一致。

解决办法 #

1. 修正约束方向（根据真实需求） #

• 如果确实需要obj_fun(x) ≥ 0.01：
  保持约束函数写法不变，但需要先验证问题是否存在可行解：手动构造一个x，使得abs((f1(x)/f2(x))-1) ≥ 0.01，将其作为初始点传入minimize，帮助优化器找到可行域。示例：

  # 先找到一个满足约束的初始点x0
  x0 = [10, 5, 2, 3, 4]  # 假设该点对应的compute_r(x0)≥0.01
  res = minimize(obj_fun, x0, constraints=constr, method='SLSQP')
  

• 如果实际需求是obj_fun(x) ≤ 0.01（确保目标值不超过阈值）：
  调整约束函数为lambda x: 0.01 - obj_fun(x)，此时返回值≥0即满足obj_fun(x) ≤0.01，你的优化结果完全符合约束，返回成功是正确的。

2. 抽离计算逻辑，避免重复调用 #

将obj_fun中的核心计算逻辑抽离为独立函数，减少重复计算，避免潜在副作用：

from scipy.optimize import minimize

def compute_r(x):
    fr = f1(x)
    pr = f2(x)
    return abs((fr/pr)-1)

def obj_fun(x):
    r = compute_r(x)
    print(r)
    return r

# 根据需求选择约束
# 需求1: obj_fun(x) ≥0.01
constr = {'type':'ineq', 'fun': lambda x: compute_r(x) - 0.01}
# 需求2: obj_fun(x) ≤0.01
# constr = {'type':'ineq', 'fun': lambda x: 0.01 - compute_r(x)}

res = minimize(obj_fun, x0, constraints=constr, method='SLSQP')

3. 调整优化器参数，增强约束严格性 #

通过设置constraint_tol参数（Scipy 1.7+支持），降低约束容忍度，确保优化结果严格满足约束：

res = minimize(obj_fun, x0, constraints=constr, method='SLSQP', options={'constraint_tol': 1e-8})

同时可增加maxiter参数，让优化器有更多迭代次数寻找可行解：

res = minimize(obj_fun, x0, constraints=constr, method='SLSQP', options={'constraint_tol': 1e-8, 'maxiter': 1000})

4. 验证问题可行性 #

如果调整后仍无法满足obj_fun(x)≥0.01的约束，需要检查f1和f2的逻辑：是否存在x使得abs((f1(x)/f2(x))-1) ≥0.01？如果问题本身无可行解，无论如何调整优化器都无法满足约束，此时需要重新定义优化目标或约束条件。

内容的提问来源于stack exchange，提问作者DeltaVanna