关于scipy.optimize.Bounds的keep_feasible参数功能及示例请求

keep_feasible 参数的核心作用是：强制支持该参数的优化算法（如L-BFGS-B、SLSQP、trust-constr）在迭代全过程中，始终让变量保持在你定义的边界范围内，而非仅保证最终结果满足约束。

示例对比：keep_feasible=False vs True #

我们用一个简单的二次优化问题来直观展示差异：目标是最小化 f(x) = (x[0]-2)² + (x[1]-3)²，同时限制 x0 ∈ [0,1]、x1 ∈ [0,1]。

示例1：默认情况（keep_feasible=False） #

此时优化过程中变量可能短暂超出边界，最终再收敛到可行域内。我们可以在目标函数中加入打印，观察迭代过程：

from scipy.optimize import minimize, Bounds

def objective(x):
    print(f"迭代x值：{x}")
    return (x[0]-2)**2 + (x[1]-3)**2

# 定义边界，不强制全程可行
bounds = Bounds(lb=[0, 0], ub=[1, 1], keep_feasible=False)

x0 = [0.5, 0.5]
result = minimize(objective, x0, method='L-BFGS-B', bounds=bounds)

print("\n最终结果：", result.x)
print("是否符合边界：", all(bounds.lb <= result.x) and all(result.x <= bounds.ub))

运行后你会发现，部分迭代步的x值可能轻微超出[0,1]范围（比如出现[1.0001, 1.0002]这类值），但最终结果会回到[1. 1.]这个边界最优解。

示例2：启用keep_feasible=True #

此时每一步迭代的变量都会严格遵守边界限制，绝不会出现超出范围的情况：

from scipy.optimize import minimize, Bounds

def objective(x):
    print(f"迭代x值：{x}")
    return (x[0]-2)**2 + (x[1]-3)**2

# 强制全程保持变量在边界内
bounds = Bounds(lb=[0, 0], ub=[1, 1], keep_feasible=True)

x0 = [0.5, 0.5]
result = minimize(objective, x0, method='L-BFGS-B', bounds=bounds)

print("\n最终结果：", result.x)
print("是否符合边界：", all(bounds.lb <= result.x) and all(result.x <= bounds.ub))

查看打印的迭代值，所有x的分量都会严格落在[0,1]区间内，全程不会出现越界情况。

适用场景 #

• 当目标函数在边界外无定义（比如出现除以0、对数负数）或会抛出错误时，必须设置keep_feasible=True，避免迭代过程中出现无效计算。
• 若你需要优化过程始终处于可行域内（比如某些物理场景要求变量不能越界），也可以启用该参数。

内容的提问来源于stack exchange，提问作者qntdni