如何通过Scipy的minimize函数获取约束条件的取值

我明白你的困扰——想拿到约束条件的最终取值，却不想靠每次迭代打印这种笨办法对吧？这里有两个更优雅的方案，帮你轻松获取constraint2的最终值：

方案1：优化完成后手动计算（推荐） #

既然minimize返回的optimizeResult.x就是最优解，我们可以直接用这个最优解代入约束函数计算取值，完全不需要修改迭代过程。

修改后的代码如下：

import numpy as np
from scipy.optimize import minimize

def f(r,d):
    # 把约束2的逻辑单独抽成函数，方便复用
    def constraint2_fun(e, d):
        return 1 - np.inner(e, d)
    
    constraint1 = { 
        'type': 'ineq', 
        'args': (r,), 
        'fun': lambda e, r: r - calculate_risk(e) 
    }
    constraint2 = { 
        'type': 'ineq', 
        'args': (d,), 
        'fun': constraint2_fun 
    }
    
    optimizeResult = minimize(
        calculate_excess_profit,
        (1/portfolio_parameters.shape[0],)*portfolio_parameters.shape[0],
        method="SLSQP",
        constraints=(constraint1, constraint2),
        bounds=get_bounds()
    )
    
    # 用最优解计算约束2的最终取值
    constraint2_final_val = constraint2_fun(optimizeResult.x, d)
    # 把值附加到结果对象上，方便后续调用
    optimizeResult.constraint2_value = constraint2_final_val
    
    return optimizeResult

这个方法的优势是简单高效，不会对迭代性能产生任何影响，只在优化结束后做一次计算。

方案2：用可变对象记录迭代过程中的约束值 #

如果你不仅需要最终值，还想观察迭代过程中约束值的变化，可以用一个可变对象（比如列表）在约束函数里存储每次的计算结果：

import numpy as np
from scipy.optimize import minimize

def f(r,d):
    # 用列表存储约束2的所有迭代取值（列表是可变对象，可在函数内部修改）
    constraint2_values = []
    
    def constraint2_fun(e, d):
        val = 1 - np.inner(e, d)
        constraint2_values.append(val)
        return val
    
    constraint1 = { 
        'type': 'ineq', 
        'args': (r,), 
        'fun': lambda e, r: r - calculate_risk(e) 
    }
    constraint2 = { 
        'type': 'ineq', 
        'args': (d,), 
        'fun': constraint2_fun 
    }
    
    optimizeResult = minimize(
        calculate_excess_profit,
        (1/portfolio_parameters.shape[0],)*portfolio_parameters.shape[0],
        method="SLSQP",
        constraints=(constraint1, constraint2),
        bounds=get_bounds()
    )
    
    # 最后一次迭代的取值就是列表的最后一个元素
    constraint2_final_val = constraint2_values[-1]
    optimizeResult.constraint2_value = constraint2_final_val
    # 可选：把所有迭代值也附加到结果上
    optimizeResult.constraint2_history = constraint2_values
    
    return optimizeResult

这个方法适合需要调试迭代过程的场景，但如果只需要最终值，方案1会更轻量。

补充说明 #

Scipy的minimize函数默认不会保存约束函数的计算结果，所以我们需要通过以上两种方式手动获取。两种方案都避免了每次迭代打印的繁琐，而且更符合代码规范。

内容的提问来源于stack exchange，提问作者thijs818