Scipy minimize(SLSQP)停滞于初始猜测值问题求助

问题背景 #

编写储罐尺寸设计脚本，以A_frames、A_stringers、t_skin为优化变量，通过Scipy的minimize函数结合SLSQP方法最小化储罐重量。重量函数是简单线性函数，但在无约束场景下，3/4的N_frames/N_stringers组合中，优化直接停滞在初始猜测值并判定为最小值，显然不符合线性函数的最优性逻辑。L-BFGS-B方法无此问题，但无法满足后续的边界与约束需求。

核心原因 #

• SLSQP的KKT条件判定逻辑
  SLSQP基于KKT条件判断最优性，对于你的线性重量函数f(x) = c₁A_frames + c₂A_stringers + c₃t_skin（其中c₁、c₂、c₃均为正系数），最优解应是每个变量取可行域的下界值：A_frames=0、A_stringers=0、t_skin=tshear。但SLSQP默认收敛容差较宽松，结合初始点特性容易误判：

  • 初始点X0=[0.001, 0.000001, 0.005]中A_stringers接近下界0，SLSQP可能因数值精度问题，认为该变量的梯度（正数值）与约束的互补松弛条件已满足，直接终止迭代。
  • 线性函数的梯度为常数，SLSQP无法通过梯度变化判断迭代方向是否正确，容易提前终止。

• 算法特性差异
  L-BFGS-B是拟牛顿法，核心逻辑是沿目标函数的负梯度方向持续迭代，直到触碰边界，对线性问题的迭代逻辑更直接。而SLSQP作为序列二次规划法，对线性问题的处理高度依赖KKT条件的严格验证，受初始点和数值精度的影响更大。

解决建议 #

• 收紧收敛容差：在minimize中添加tol=1e-10参数，让SLSQP更严格验证KKT条件，避免提前终止：

  sol = minimize(Weight, x0=X0, bounds=bnd, method='SLSQP', jac=grad_weight, tol=1e-10)
  

• 调整初始点：直接将初始点设为可行域下界，从最优解附近开始迭代，规避误判：

  X0 = [0.0, 0.0, tshear]
  

• 改用线性规划专用工具：由于目标函数和边界约束均为线性，使用Scipy的linprog线性规划求解器会更高效准确，完全适配这类问题的特性。
• 检查边界参数有效性：确认tshear的取值，若tshear > 0.005，初始点的t_skin会违反下界约束，SLSQP会先调整到可行域，可能干扰后续迭代逻辑，需确保初始点在可行域内。

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