Scipy optimize.minimize约束与边界拟合：方法差异及疑问

1. 能否同时使用约束与边界？ #

可以，但要选对优化方法：

• trust-constr、SLSQP 这类方法支持同时设置等式约束和参数边界；
• L-BFGS-B 仅支持参数边界，不处理等式约束，你之前用它时约束被忽略是方法本身的限制；
• 像Nelder-Mead这类无约束方法，既不支持约束也不支持边界，会直接无视你设置的条件。

2. trust-constr拟合有效却返回success=False的原因？ #

这种情况常见于以下场景：

• 收敛阈值设置过严：trust-constr的默认收敛参数（如gtol、xtol、barrier_tol）可能要求过高，虽然拟合结果已经符合需求，但算法没达到预设的数值收敛标准；
• 最优解处于约束边界交点：当最优解正好落在a+b+c=1或者参数边界的交点处，算法的收敛判据可能因为梯度的数值误差无法满足，导致返回success=False，但实际结果已经是可行域内的最优解；
• 目标函数/约束数值不稳定：如果拟合目标函数或约束条件在最优解附近的梯度、海森矩阵计算有数值噪声，也会让算法误判为未收敛。

你可以尝试放宽收敛参数（比如调大gtol到1e-3），大概率能让success变为True，且拟合结果不会有明显变化。

3. 「绝对值约束替代边界」和「边界+约束」哪种更合理？ #

优先选**「边界+约束」**的实现方式，原因如下：

• 算法效率更高：原生参数边界是优化方法专门设计处理的逻辑，trust-constr、SLSQP会利用边界信息做搜索空间剪枝、步长限制；而把边界转化为绝对值不等式约束（比如|a-0.5| ≤ 0.5）会额外增加约束数量，提升问题复杂度，拖慢收敛速度；
• 稳定性更好：原生边界能明确告知算法参数的可行域范围，避免算法在无意义区域搜索；转化后的约束可能引入额外数值计算误差，尤其是在边界附近；
• 兼容性更强：部分只支持边界的方法（如L-BFGS-B）无法处理转化后的不等式约束，用原生边界能适配更多优化方法。

内容的提问来源于stack exchange，提问作者Pawel