如何为scipy.optimize.minimize正确设置布尔变量的边界？

问题描述 #

需要对一个包含浮点型和布尔型输入的函数进行最小值求解，函数定义如下：

def function_to_optimize(a : float, b : float, c : bool) -> float:
    # 执行具体计算逻辑

已知a和b的取值边界为(0,1)，当前的做法是修改函数，将布尔变量c转为浮点型参数，再通过判断转换回布尔值：

def new_function_to_optimize(a : float, b : float, c : float) -> float:
    c = False if c < 0 else True
    # 执行具体计算逻辑

随后设置边界bounds = [(0,1), (0,1), (-1,1)]，但不确定这是否为最优方案，同时想了解：

• 若让优化器知晓c是布尔类型，是否能实现更优的优化效果？
• 是否应该将c的边界设为(False, True)？

解决方案分析 #

1. 最优方案：枚举布尔变量的所有可能值 #

由于布尔变量只有True和False两种取值，直接分别针对两种情况优化，再比较结果取最小值，是最可靠且高效的方法。这种方式完全规避了连续优化器处理离散变量的局限性，能确保找到全局最优解（因为布尔变量的组合数量有限）。

示例代码：

from scipy.optimize import minimize

def function_to_optimize(a : float, b : float, c : bool) -> float:
    # 替换为你的实际计算逻辑
    return (a - 0.5)**2 + (b - 0.3)**2 + (1 if c else 0)

# 定义固定布尔变量后的优化目标函数
def optimize_fixed_c(c_val):
    def objective(x):
        return function_to_optimize(x[0], x[1], c_val)
    # 设置a和b的边界
    bounds = [(0, 1), (0, 1)]
    # 初始值可根据实际情况调整
    result = minimize(objective, x0=[0.5, 0.5], bounds=bounds)
    return result.fun, result.x, c_val

# 分别计算两种布尔值下的优化结果
res_false = optimize_fixed_c(False)
res_true = optimize_fixed_c(True)

# 选择最优解
if res_false[0] < res_true[0]:
    best_value, best_ab, best_c = res_false
else:
    best_value, best_ab, best_c = res_true

print(f"最优值: {best_value:.4f}, a={best_ab[0]:.4f}, b={best_ab[1]:.4f}, c={best_c}")

2. 当前转换方法的局限性 #

你当前将布尔变量转为浮点型、设置(-1,1)边界的方法，本质是把离散问题强行套入连续优化框架，但scipy.optimize.minimize的大部分优化器（如默认的L-BFGS-B）是针对连续变量设计的，无法识别这是离散变量：

• 优化过程中可能会收敛到c的中间值（如0.5），最后被强制转为布尔值，但这个结果不一定是全局最优；
• 优化器会在连续空间内搜索，浪费计算资源，效率远低于枚举法。

3. 能否直接设置(False, True)作为边界？ #

不行。scipy.optimize.minimize的bounds参数要求边界为数值类型元组，布尔值会被自动转为0（False）和1（True），但优化器仍会将其视为连续变量，不会强制c只能取0或1，最终效果和设置(0,1)边界完全一致，无法让优化器知晓这是布尔类型变量。

4. 多布尔变量的扩展方案 #

如果布尔变量数量较多（如3-4个以上），枚举所有组合的成本会升高，此时可以使用支持混合整数优化的工具：

• Scipy 1.9+版本提供的scipy.optimize.milp，支持声明整数/布尔变量；
• 第三方库如Pyomo、Gekko，专门用于处理混合整数规划问题。

内容的提问来源于stack exchange，提问作者FTM