scipy.optimize.minimize约束失效咨询：参数违反非负限制

问题描述 #

使用scipy.optimize.minimize的SLSQP方法时，设置了参数上下界约束（下界lb=[0,0,0,0]，上界ub=[1,3,1,1]），期望所有参数优化后大于0，但结果出现负数参数：[-0.45684621 0.02531972 -0.10755587 0.2108312]。相关代码如下：

def get_cons(self, ub, lb):
    cons = []
    for i in range(len(ub)):
        cons.append({'type':'ineq','fun':lambda x0:ub[i]-x0[i]})
        cons.append({'type':'ineq','fun':lambda x0:x0[i]-lb[i]})
    return cons
ub = [1,3,1,1]
lb = [0,0,0,0]
cons = self.get_cons(self.ub, self.lb)
res = minimize(fun, x0[:,i], method='SLSQP', constraints=cons)

原因分析 #

这属于约束失效，核心问题是循环中lambda函数的延迟绑定特性：

• 循环内定义lambda时，不会立即捕获当前的i值，而是在函数被调用时才去查找i的当前值。
• 循环结束后，i的值固定为len(ub)-1（即3），所有约束函数实际上只对最后一个参数（索引3）生效，前三个参数的上下界约束完全没起作用，导致优化时前三个参数可以突破0的下界。

解决方案 #

修改get_cons函数，确保每个lambda能捕获到循环当前的i值，有两种常用方式：

方式1：利用lambda默认参数捕获当前i #

def get_cons(self, ub, lb):
    cons = []
    for i in range(len(ub)):
        # 通过默认参数i=i，让lambda捕获当前循环的i值
        cons.append({'type':'ineq','fun':lambda x0, i=i: ub[i]-x0[i]})
        cons.append({'type':'ineq','fun':lambda x0, i=i: x0[i]-lb[i]})
    return cons

方式2：使用functools.partial绑定参数 #

from functools import partial

def get_cons(self, ub, lb):
    cons = []
    def upper_bound(x0, idx, upper):
        return upper - x0[idx]
    def lower_bound(x0, idx, lower):
        return x0[idx] - lower
    
    for i in range(len(ub)):
        cons.append({'type':'ineq','fun':partial(upper_bound, idx=i, upper=ub[i])})
        cons.append({'type':'ineq','fun':partial(lower_bound, idx=i, lower=lb[i])})
    return cons

另外，SLSQP方法支持直接通过bounds参数设置上下界，比手动构造约束更简洁可靠，推荐使用：

from scipy.optimize import Bounds

bounds = Bounds(lb, ub)
res = minimize(fun, x0[:,i], method='SLSQP', bounds=bounds)

内容的提问来源于stack exchange，提问作者hjli