如何在SciPy的least_squares函数中约束系数为整数？

1. 你的约束函数无法直接融入least_squares流程 #

least_squares是针对连续参数的非线性最小二乘优化器，仅支持连续边界约束，不接受返回布尔值的整数校验约束。它的优化过程中参数始终是连续浮点数，不会主动满足整数要求，因此你写的constraint函数无法被该函数识别或应用。

2. 可行解决方案 #

方案一：暴力枚举（适合整数范围小的场景）

如果你的整数系数范围有限（比如你例子中的1-4），直接枚举所有可能的整数值，对每个整数固定后调用least_squares优化剩余参数，最后选择目标函数值最小的结果即可。

示例代码：

from scipy.optimize import least_squares

def objective_function(params, target):
    # 你的残差计算逻辑，返回残差数组
    coeff = params[0]
    other_params = params[1:]
    # ... 计算残差并返回 ...

# 目标数据
target = ... 

# 枚举所有可能的整数系数
coeff_candidates = range(1, 5)  # 对应1-4的整数
best_cost = float('inf')
best_params = None

for coeff in coeff_candidates:
    # 固定整数系数，设置初始猜测（示例包含2个其他参数）
    initial_guess = [coeff, 1.0, 0.5]
    # 设置边界：固定coeff的上下界为自身，其他参数按需设置
    bounds = ([coeff, -10, -10], [coeff, 10, 10])
    # 执行优化
    result = least_squares(objective_function, initial_guess, bounds=bounds, args=(target,))
    # 比较残差平方和（result.cost是残差平方和的一半）
    if result.cost < best_cost:
        best_cost = result.cost
        best_params = result.x

print("最优参数:", best_params)
print("最小残差平方和:", best_cost * 2)

方案二：使用支持整数约束的SciPy优化器（适合整数范围大的场景）

如果整数系数范围较大，枚举效率太低，可以使用scipy.optimize.differential_evolution——它支持通过integers参数指定哪些参数必须为整数，且能处理非线性目标函数。

注意：differential_evolution要求目标函数返回标量值（而非残差数组），因此需要对原目标函数做简单包装。

示例代码：

from scipy.optimize import differential_evolution

def objective_function(params, target):
    # 原残差计算逻辑，返回残差数组
    coeff = params[0]
    other_params = params[1:]
    # ... 计算残差并返回 ...

# 包装目标函数，返回残差平方和（标量）
def scalar_obj_func(params, target):
    residuals = objective_function(params, target)
    return sum(residuals ** 2)

# 目标数据
target = ... 

# 参数边界：coeff在1-4之间，其他参数示例为-10到10
bounds = [(1, 4), (-10, 10), (-10, 10)]
# 指定第0个参数为整数
result = differential_evolution(scalar_obj_func, bounds, args=(target,), integers=[0])

print("最优参数:", result.x)
print("最小残差平方和:", result.fun)

方案三：混合整数线性规划（仅适用于线性场景）

如果你的目标函数和约束都是线性的，可以使用scipy.optimize.milp（混合整数线性规划器），但该工具对非线性问题不适用，需根据你的实际场景判断。

内容的提问来源于stack exchange，提问作者IssacJay