Scipy Optimize非线性约束使用困惑及代码报错求助

错误原因分析 #

1. 目标函数参数格式错误：scipy.optimize.minimize要求目标函数接受一维数组作为输入，最初的f2(m,n)不符合要求，导致"missing required positional argument"错误。
2. 运算语法错误：Python不支持隐式乘法，f函数中-1/2(m**2 + ...)、1/2(n+m)这类写法会被解析为调用1/2这个数值对象，触发"'int' object is not callable"错误。
3. 结果调用错误：minimize返回的是OptimizeResult对象，直接访问.OptimizeResult是错误的，应该取.x属性获取最优解。
4. 约束条件不完善：原约束仅设置了x[1]-x[0]的范围，但未严格保证log函数的定义域（如n>m、1>n），容易出现数值错误。

修正后的完整代码 #

import math
from scipy.optimize import minimize
import numpy as np
from scipy.optimize import NonlinearConstraint


# 修正自由能函数：添加隐式乘法的乘号，确保语法正确
def f(m, n, a, b):
    return -1/2 * (m**2 + a**2 * n**2) + a**2 * n + 1/b * (
        (n+m)/2 * math.log(1/2 * (n+m)) 
        + (n-m)/2 * math.log(1/2 * (n-m)) 
        + (1-n) * math.log(1-n)
    )


# 修正后的优化函数
def minimiser(f, a, b, m0, n0):
    # 目标函数：接受一维数组x，x[0]=m，x[1]=n
    def f2(x):
        return f(x[0], x[1], a, b)
    
    # 约束1：n > m，设置极小下限避免等于0（保证log(n-m)有意义）
    con1 = lambda x: x[1] - x[0]
    cons1 = NonlinearConstraint(con1, 1e-8, np.inf)
    
    # 约束2：1 > n，保证log(1-n)有意义
    con2 = lambda x: 1 - x[1]
    cons2 = NonlinearConstraint(con2, 1e-8, np.inf)
    
    # 执行优化：bounds保证0 < m <1，0 < n <1，约束保证n>m且n<1
    result = minimize(
        f2, 
        (m0, n0), 
        bounds=((1e-8, 1-1e-8), (1e-8, 1-1e-8)), 
        constraints=[cons1, cons2]
    )
    
    # 返回最优的m和n
    return result.x[0], result.x[1]


# 测试示例
if __name__ == "__main__":
    a_val = 1.0
    b_val = 2.0
    m_init = 0.2
    n_init = 0.5
    m_opt, n_opt = minimiser(f, a_val, b_val, m_init, n_init)
    print(f"最优解：m={m_opt:.4f}, n={n_opt:.4f}")
    print(f"验证约束：0<m<n<1 → {0<m_opt<n_opt<1}")

关键修改说明 #

• 语法修正：在f函数中所有数字与括号之间添加*，解决隐式乘法导致的调用错误。
• 目标函数格式：将f2改为接受一维数组参数，符合minimize的要求。
• 约束完善：添加两个非线性约束，严格保证n>m和1>n，同时在bounds中设置极小的上下限避免边界值触发log(0)错误。
• 结果返回：通过result.x获取最优解的m、n值，而非错误的.OptimizeResult调用。

内容的提问来源于stack exchange，提问作者Fellon