Scipy中能否用LinearConstraint替代Bounds定义变量边界？

能否用LinearConstraint定义0 < x₁, x₂的边界？ #

可以。变量的边界本质就是简单的线性约束：对单个变量x_i，约束0 < x_i在数值优化中通常等价于1*x_i ≥ 0（严格不等会因数值精度问题难以处理，一般转为非严格约束），完全可以用LinearConstraint来实现。

两种写法的差异 #

先修正你代码里的语法错误（括号未闭合），再对比两种写法的核心区别：

第一种写法（合并边界与其他线性约束） #

import numpy as np
from scipy.optimize import LinearConstraint

lb = [0, 0, 0]
ub = [np.inf, np.inf, np.inf]

# 约束矩阵共3行，对应3个约束
# 第1行：-x₃ + x₄；第2行：x₁；第3行：x₂
linear_constraint = LinearConstraint(
    [[0,0,-1,1], [1,0,0,0], [0,1,0,0]],
    lb=lb,
    ub=ub
)

这种写法把额外线性约束（-x₃ + x₄）和x₁、x₂的边界约束合并到同一个LinearConstraint对象中，总共定义了3个约束：

• 0 ≤ -x₃ + x₄ ≤ ∞
• 0 ≤ x₁ ≤ ∞
• 0 ≤ x₂ ≤ ∞

第二种写法（分离边界与线性约束） #

import numpy as np
from scipy.optimize import LinearConstraint

# 单独用bnds定义x₁、x₂的边界，若变量共4个，x₃、x₄默认无边界限制
bnds = [(0, np.inf)] * 2
lb = [0]
ub = [np.inf]

# 仅定义额外的线性约束：-x₃ + x₄
linear_constraint = LinearConstraint(
    [[0,0,-1,1]],
    lb=lb,
    ub=ub
)

这种写法把变量边界和业务线性约束分开管理：

• bnds专门负责x₁、x₂的(0, ∞)边界
• LinearConstraint仅处理-x₃ + x₄ ≥ 0的约束

核心差异总结 #

1. 约束组织逻辑：第一种是所有线性约束（含边界）打包为一个对象；第二种是边界用bnds，其他线性约束单独用LinearConstraint，可读性更强。
2. 变量覆盖范围：若问题含4个变量（x₁~x₄），第一种写法明确指定了x₁、x₂的约束，x₃、x₄仅受第一个线性行约束；第二种写法中x₃、x₄默认无边界，和第一种效果一致，但后续修改bnds时需注意补全所有变量的边界。
3. 优化效率：在主流优化器（如scipy.optimize.minimize）中，两种写法的优化效果几乎无差异，底层都会将边界约束转化为线性约束处理。

注意事项 #

• 数值优化中通常用0 ≤ x_i替代严格不等0 < x_i，因为计算机无法处理绝对的“大于0”，极小的正数在数值精度下会被视为0。
• 约束矩阵的列数必须与变量总数匹配：你的约束矩阵是4列，说明变量共4个，第二种写法的bnds若只写2个元素，x₃、x₄会默认无上下界限制。

内容的提问来源于stack exchange，提问作者user546106