使用Scipy Optimise与Mystic时max_limit约束持续被违反

问题根源 #

你的代码把约束处理逻辑嵌入到了目标函数内部，通过mystic修改输入变量后再计算目标值。但Scipy的SLSQP优化器无法识别这种隐式约束，它需要显式的约束定义来指导优化过程，因此导致总和始终突破max_limit限制。

修正方案 #

直接使用Scipy Optimize原生的约束定义方式，将总和约束单独声明，让优化器在搜索过程中主动遵守约束：

import random
from scipy.optimize import minimize as so

max_limit = 2000

# 定义目标函数（最大化model.func等价于最小化其负值）
def objective_func(x):
    return -model.func(x)

# 定义总和不等式约束：sum(x) <= max_limit
def sum_constraint(x):
    return max_limit - sum(x)  # SLSQP要求不等式约束返回值 >= 0

# 初始化变量
initial_matrix = [random.randint(0, 3) for _ in range(260)]

# 设置约束参数：类型为不等式约束
constraints = {'type': 'ineq', 'fun': sum_constraint}

# 执行优化
output = so.minimize(
    objective_func,
    initial_matrix,
    method='SLSQP',
    bounds=[(0, max_limit)] * 260,
    constraints=[constraints],
    tol=0.01,
    options={'disp': True, 'maxiter': 100}
)

关键改动说明 #

• 移除目标函数内的约束处理：让目标函数仅负责计算目标值，保证优化器能获取到原始变量的目标反馈。
• 显式定义Scipy兼容的约束：通过constraints参数传入不等式约束，SLSQP会在每一步迭代中检查约束是否满足，调整搜索方向以避免违反约束。
• 简化约束逻辑：直接计算总和与max_limit的差值，符合Scipy对不等式约束的要求（返回值≥0表示约束满足）。

额外建议 #

如果需要保留mystic的复杂约束能力，建议直接使用mystic的优化器（而非嵌套Scipy），比如：

import mystic as my
from mystic.solvers import fmin_slsqp

# 用mystic定义约束
eqns = my.simplify(f"sum(x) <= {max_limit}", all=True)
constraint = my.generate_constraint(my.generate_solvers(eqns))

# 使用mystic的SLSQP求解器
output = fmin_slsqp(
    objective_func,
    initial_matrix,
    bounds=[(0, max_limit)]*260,
    constraints=constraint,
    disp=True,
    maxiter=100,
    tol=0.01
)

这样能更好地兼容mystic的约束定义方式，避免两种工具的工作流程冲突。

内容的提问来源于stack exchange，提问作者star_it8293