寻求带强非线性约束的光滑函数全局最小化的SciPy算法

推荐算法及实现示例 #

SciPy differential_evolution #

基于差分进化的全局优化算法，原生支持非线性等式/不等式约束，无需额外搭配局部优化器，对强非线性约束问题适配性较好。核心是通过种群迭代搜索全局最优，必须为变量设置合理上下界，这是算法有效搜索的前提。

示例代码：

from scipy.optimize import differential_evolution

# 为每个变量定义合理的上下界，替换成你的实际范围
bounds = [(x1_min, x1_max), (x2_min, x2_max), ...]

result = differential_evolution(
    minimize_me_reach,
    bounds=bounds,
    args=(reach, freq, DF_GROUP, MEMBER, days),
    constraints=cons_sqlsqp,  # 与你之前的约束格式兼容
    strategy='best1bin',
    maxiter=500,
    popsize=15,  # 变量维度高时可适当调大种群规模
    tol=0.01,
    seed=350
)

第三方库 pymoo #

专注于约束优化与多目标优化的工具库，提供多种鲁棒的全局优化算法，扩展性极强，后续新增约束时只需少量修改代码即可适配。

示例代码（单目标遗传算法）：

from pymoo.algorithms.soo.nonconvex.ga import GA
from pymoo.core.problem import Problem
from pymoo.optimize import minimize

# 定义优化问题
class BudgetOptimizationProblem(Problem):
    def __init__(self, args):
        # 设置变量数量、目标数、约束数，以及变量上下界
        super().__init__(
            n_var=len(x0),
            n_obj=1,
            n_eq_constr=1,  # 当前的等式约束数量，后续新增可修改
            n_ieq_constr=0,
            xl=lower_bounds,  # 变量下界列表
            xu=upper_bounds   # 变量上界列表
        )
        self.args = args

    def _evaluate(self, x, out, *args, **kwargs):
        # 计算目标函数值
        out["F"] = minimize_me_reach(x, *self.args)
        # 计算等式约束值，需满足G=0
        out["G"] = constr_reach(x, *self.args)

# 初始化算法与问题
algorithm = GA(pop_size=50)
problem = BudgetOptimizationProblem(args=(reach, freq, DF_GROUP, MEMBER, days))

# 执行优化
result = minimize(
    problem,
    algorithm,
    termination=('n_gen', 200),  # 迭代代数
    seed=350
)

第三方库 NLopt #

提供多种高性能全局优化算法，如受控随机搜索（GN_CRS2_LM）、直接搜索（GN_DIRECT_L）等，对强非线性约束的处理灵活性高，支持梯度或无梯度模式。

示例代码：

import nlopt

def objective_func(x, grad, args):
    if grad.size > 0:
        # 若能提供目标函数梯度，在此计算赋值；无梯度可留空（算法自动用有限差分）
        grad[:] = your_objective_gradient(x, *args)
    return minimize_me_reach(x, *args)

def eq_constraint_func(x, grad, args):
    if grad.size > 0:
        grad[:] = cons_J(x, *args)  # 你的约束梯度函数
    return constr_reach(x, *args)

# 初始化优化器，选择GN_CRS2_LM算法
opt = nlopt.opt(nlopt.GN_CRS2_LM, len(x0))
opt.set_lower_bounds(lower_bounds)
opt.set_upper_bounds(upper_bounds)

# 设置目标函数与约束
opt.set_min_objective(lambda x, grad: objective_func(x, grad, (reach, freq, DF_GROUP, MEMBER, days)))
opt.add_equality_constraint(lambda x, grad: eq_constraint_func(x, grad, args), 1e-3)  # 约束容差

# 设置终止条件
opt.set_ftol_rel(1e-4)
opt.set_maxeval(10000)

# 执行优化
x_opt = opt.optimize(x0)
min_value = opt.last_optimum_value()

关键优化建议 #

• 变量边界必须明确：全局优化算法依赖边界限定搜索范围，无边界会导致搜索效率低下，结果偏离最优解或停滞在初始值附近。
• 约束容差灵活调整：针对强非线性约束，可适当放宽约束容差（如从1e-3调至1e-2），避免算法在满足约束上过度消耗资源。
• 梯度信息优先提供：若能准确计算目标函数与约束的梯度，务必传入算法，这会大幅提升收敛速度与精度。

内容的提问来源于stack exchange，提问作者Pavel_K