Python优化：如何将变量约束为3、4、5特定离散值

scipy.optimize.minimize里的SLSQP这类方法是针对连续变量设计的，没法直接设置变量只能取3、4、5这类离散值，不过针对你的场景（仅4个变量，每个变量3个可选值），有两种可行方案：

方案一：枚举法（最直接，无需额外依赖） #

因为变量总数少，所有可能的组合只有3^4=81种，完全可以遍历所有情况，筛选满足约束的组合后再找目标函数最小的解。

代码示例：

import itertools

# 目标函数（和原代码一致）
def objective(x):
    x1, x2, x3, x4 = x
    return x1*x4*(x1+x2+x3)+x3

# 检查是否满足约束条件
def meets_constraints(x):
    # 约束1：x1*x2*x3*x4 >=25（对应原代码的ineq约束，返回值需≥0）
    if x[0] * x[1] * x[2] * x[3] < 25:
        return False
    # 约束2：四个变量的平方和等于40
    if sum(val**2 for val in x) != 40:
        return False
    return True

# 生成所有可能的离散组合
valid_values = [3, 4, 5]
all_combinations = itertools.product(valid_values, repeat=4)

# 筛选符合约束的组合并计算目标值
candidates = []
for combo in all_combinations:
    if meets_constraints(combo):
        candidates.append( (objective(combo), combo) )

# 输出最优解
if candidates:
    candidates.sort()
    min_obj, best_solution = candidates[0]
    print(f"最优离散解：{best_solution}，最小目标值：{min_obj}")
else:
    print("不存在满足所有约束的离散取值组合")

方案二：整数规划工具（适合变量较多的场景） #

如果后续变量数量增加，枚举法效率下降，可以用专门的整数规划库（比如PuLP、Pyomo），这类工具支持直接定义离散/整数变量约束。

以PuLP为例的简单示例：

from pulp import LpProblem, LpMinimize, LpVariable, lpSum

# 创建问题
prob = LpProblem("Discrete_Opt", LpMinimize)

# 定义变量：取值3、4、5的整数变量
x1 = LpVariable("x1", lowBound=3, upBound=5, cat='Integer')
x2 = LpVariable("x2", lowBound=3, upBound=5, cat='Integer')
x3 = LpVariable("x3", lowBound=3, upBound=5, cat='Integer')
x4 = LpVariable("x4", lowBound=3, upBound=5, cat='Integer')

# 设置目标函数
prob += x1*x4*(x1+x2+x3) + x3

# 添加约束
prob += x1*x2*x3*x4 >= 25  # 约束1
prob += x1**2 + x2**2 + x3**2 + x4**2 == 40  # 约束2

# 求解
prob.solve()

# 输出结果
print(f"最优解：x1={x1.varValue}, x2={x2.varValue}, x3={x3.varValue}, x4={x4.varValue}")
print(f"最小目标值：{prob.objective.value()}")

注意：使用PuLP需要提前通过pip install pulp安装库。

内容的提问来源于stack exchange，提问作者user13412850