为何更大的边界范围会导致函数最小化结果变差？

目标函数定义 #

betas = [0.1, 0.2, 0.3]
weights = [0.2, 0.2, 0.6]

def get_beta_p(betas, weights):
    return sum([x * y for x, y in zip(betas, weights)])

初始化参数、约束与边界设置 #

initializer = weights 
constraints = ({'type' : 'eq', 'fun': lambda x: np.sum(x) -1},
           {"type" : "ineq", "fun" : lambda betas: minimize_beta(initializer, betas)}) # sum = 1, fun = 0

bounds = tuple((0, 0.4) for x in range(len(weights))) # x from 0 to 0.4

最小化执行代码 #

def minimize_beta(weights, args):
    betas = args
    return get_beta_p(betas, weights)

zero_beta=optimize.minimize(minimize_beta,
                        initializer,
                        method = 'SLSQP',
                        args = betas,
                        bounds = bounds,
                        constraints = constraints)

原本认为优化精度不应受边界范围影响，但实际结果却与预期相悖，不同边界下优化结果差异显著：

• 边界设为(-0.1, 0.5)时输出：

[array([1.]), array([0.23947614]), array([0.15513421]), array([0.30120484]), array([0.36498963]), array([0.6351255]), array([0.06166346]), array([0.12740605]), array([0.55059138]), array([0.46437143]), array([0.42777512])]
message: Optimization terminated successfully
success: True
status: 0
fun: -0.15440870412170832 #look here
x: [-1.000e-01 2.000e-01 5.000e-01 -1.000e-01 -1.000e-01
-1.000e-01 5.000e-01 5.000e-01 -1.000e-01 -1.000e-01
-1.000e-01]
nit: 5
jac: [ 1.000e+00 2.395e-01 1.551e-01 3.012e-01 3.650e-01
6.351e-01 6.166e-02 1.274e-01 5.506e-01 4.644e-01
4.278e-01]
nfev: 60
njev: 5

• 边界设为(0, 0.2)时输出：

fun: 0.17697693990449903
   x: [ 2.224e-17  2.000e-01  2.000e-01  2.000e-01  0.000e+00
        2.898e-16  2.000e-01  2.000e-01  4.457e-16  0.000e+00
        0.000e+00]

• 边界设为(0, 0.4)时输出：

fun: 0.106654645436427

x: [ 2.361e-16  1.700e-16  2.000e-01  8.746e-16  2.980e-16
        0.000e+00  4.000e-01  4.000e-01  3.434e-16  6.155e-17
        0.000e+00]

• 边界设为(0.0, 0.5)时输出：

fun: 0.09453475545362894 x: [ 4.951e-16  0.000e+00  0.000e+00  2.505e-16  5.714e-16 0.000e+00  5.000e-01  5.000e-01  6.418e-16  4.344e-16 5.516e-17]

• 边界设为(0.0, 0.9)时输出：

fun: 0.06823772147966463 x: [ 8.633e-16  0.000e+00  0.000e+00  5.373e-16  1.113e-15 4.327e-17  9.000e-01  1.000e-01  5.260e-16  1.818e-17 0.000e+00]for (-0.2, 0.2)

疑问：这种情况是否正常？为何优化结果会如此不稳定？

这种情况是正常的，核心原因在于优化问题本身及代码逻辑的问题：

1. 目标函数的线性特性
   目标函数get_beta_p是线性函数（权重与beta的加权和），线性优化问题的最优解必然出现在可行域的顶点或边界上。调整边界范围会直接改变可行域的形状和顶点位置，最优解自然会随之变化——这不是精度问题，是线性优化的固有特性。

2. 约束设置存在逻辑错误
   不等式约束{"type" : "ineq", "fun" : lambda betas: minimize_beta(initializer, betas)}等价于要求目标函数值≥0，这给目标函数加了下界约束。调整边界时，可行域满足该约束的情况会变化，进一步影响最优解的位置。

3. 参数传递与维度混乱
   从输出的x维度（11个元素）来看，实际的weights或betas维度与代码中定义的[0.2,0.2,0.6]不符，导致目标函数计算逻辑混乱。另外，optimize.minimize的args参数传递错误：minimize_beta的第一个参数是weights，但调用时把betas传给了args，造成参数错位，计算出的目标值完全不符合预期。

4. SLSQP算法的边界敏感性
   SLSQP算法针对带约束优化场景，对于线性目标+边界/约束变化的情况，会直接在可行域的边界上寻找最优解，不同边界范围会锁定不同的最优顶点，因此结果差异显著是必然的。

内容的提问来源于stack exchange，提问作者Blob