scipy.optimize.minimize初始值影响收敛，如何确保正实数域迭代？

目标函数（需最小化） #

def b(x):  
    return -(2*x[0]**2-10*x[0] + x[1]**2 - 2*x[1] + 2*x[2]**2 - 3*x[2])/1000

约束条件 #

J = 14000
cons = ({'type': 'ineq', 'fun': lambda x: J -(2*x[0] + 5*x[1] + 3*x[2])},
       {'type':'ineq', 'fun': lambda x: 0.4*(x[0]+x[1]+x[2]) - x[0]},
    {'type':'ineq', 'fun': lambda x: 0.4*(x[0]+x[1]+x[2]) - x[1]},
    {'type':'ineq', 'fun': lambda x: 0.4*(x[0]+x[1]+x[2]) - x[2]})

变量边界 #

x_bounds = (0.0 , None)
y_bounds = (0.0 , None)
z_bounds = (0.0, None)
bnds = [x_bounds, y_bounds, z_bounds]

问题场景 #

使用scipy.optimize.minimize的SLSQP算法时，初始值设为[0.1, 0.1, 0.1]（注：原提问中[0.1]应为三维变量的简写）时，结果不符合预期；初始值设为[1.5, 1.5, 1.5]时，结果与最大化收益函数的目标一致。

疑问：当初始值为0.1时，算法是否在目标函数值接近0时就终止迭代，而非继续迭代至负实数域？

解答 #

首先拆解目标函数：展开后为 b(x) = (-2x₀² +10x₀ -x₁² +2x₁ -2x₂² +3x₂)/1000，最小化该函数等价于最大化原收益函数（仅差负号与缩放系数）。

针对初始值[0.1,0.1,0.1]的情况：

1. 初始点函数值：代入计算后约为0.00145，确实接近0。
2. 梯度与收敛逻辑：SLSQP是梯度驱动的算法，会沿负梯度方向寻找最小值。在初始点处，目标函数的梯度分量均为正，说明变量增大时函数值会减小（符合最小化方向）。但算法默认的收敛阈值（如ftol=1e-06，即函数值变化容忍度）可能触发终止：如果初始点附近函数值变化极为缓慢，数值计算中会误认为已收敛到驻点。
3. 约束与局部驻点：初始点满足所有约束，但由于目标函数是凹函数，其最小值应出现在可行域的边界上。当初始值过小时，算法可能在可行域内部陷入一个数值意义上的驻点（因精度限制误判为收敛），未能推进到能让函数值进入负域的边界点；而初始值设为1.5时，算法更易抵达可行域边界，找到全局最小值。

总结：并非算法刻意在函数值接近0时终止，而是初始点过小导致算法在局部区域满足了收敛条件，提前停止迭代，未走到能使函数值进入负域的可行位置。

内容的提问来源于stack exchange，提问作者Kev C