使用scipy.optimize.minimize时，如何约束f(x)最小值非负？

当然可以给函数值添加非负约束，下面是两种实用的实现方式：

方法一：使用constraints参数添加不等式约束 #

scipy.optimize.minimize支持通过constraints参数定义不等式约束，正好可以用来强制f(x)≥0。约束的格式要求是fun(x) ≥ 0，直接把目标函数作为约束函数即可。

示例代码：

from scipy.optimize import minimize

def f(x):
    # 替换为你的实际目标函数
    return x[0]**2 - 2*x[0] - 1

# 定义非负约束：要求f(x) >= 0
non_neg_constraint = [{'type': 'ineq', 'fun': lambda x: f(x)}]

# 初始猜测值
x0 = [0]

# 执行优化（注意选用支持约束的算法，比如SLSQP、COBYLA）
result = minimize(f, x0, constraints=non_neg_constraint, method='SLSQP')

print("最优解：", result.x)
print("最优函数值：", result.fun)

注意：要选择支持一般不等式约束的优化算法，比如SLSQP或COBYLA，像L-BFGS-B这类算法仅支持变量的边界约束，无法处理此类函数值约束。

方法二：重构目标函数（适用于不支持约束的算法） #

如果必须使用无约束优化算法，可以通过重构目标函数间接实现非负约束——当f(x)为负时添加惩罚项，迫使优化器避开负区域。

示例代码：

from scipy.optimize import minimize

def f(x):
    return x[0]**2 - 2*x[0] - 1

# 重构目标函数，对负函数值添加惩罚
def constrained_f(x):
    val = f(x)
    if val < 0:
        # 惩罚项权重可根据实际情况调整，这里用平方惩罚放大负向代价
        return val + 1000 * (abs(val)**2)
    return val

x0 = [0]
result = minimize(constrained_f, x0, method='BFGS')

print("最优解：", result.x)
print("最优函数值：", constrained_f(result.x))

这种方法的缺点是惩罚项的权重需要手动调整，不如直接用约束参数可靠，仅作为无约束算法下的备选方案。

内容的提问来源于stack exchange，提问作者Thescott