如何为SciPy的LSQR/LSMR求解添加变量边界约束？

SciPy的LSQR和LSMR都是无约束线性最小二乘求解器，设计时未支持变量边界约束，因此无法直接通过这两个函数实现你需要的x(1)>=0约束。以下是两种可行的替代方案：

方案1：使用scipy.optimize.lsq_linear（推荐） #

这是SciPy专门为带边界约束的线性最小二乘问题设计的求解器，直接通过bounds参数设置变量约束即可，效率和精度都优于通用优化器。

代码示例 #

假设你的矩阵A是469×3维度，向量b是469维：

import numpy as np
from scipy.optimize import lsq_linear

# 替换为你的实际数据
# A = ... 
# b = ...

# 设置边界：x[0]（对应你输出中的x(1)）>=0，其余变量无约束
bounds = ([0, -np.inf, -np.inf], [np.inf, np.inf, np.inf])

# 求解带约束的最小二乘问题
result = lsq_linear(A, b, bounds=bounds)

# 输出结果
print("带约束的最小二乘解：")
print(result.x)
print("残差平方和的一半：", result.cost)
print("求解状态：", result.status)

该方法会自动找到满足x(1)>=0的最优解，对应你期望的迭代终止在x(1)=0.27附近的状态。

方案2：使用scipy.optimize.minimize结合约束优化器 #

将最小二乘问题转化为无约束优化目标（最小化||Ax - b||²），再使用支持边界约束的优化器（如L-BFGS-B）求解。

代码示例 #

import numpy as np
from scipy.optimize import minimize

# 定义最小二乘目标函数
def ls_objective(x, A, b):
    return np.linalg.norm(A @ x - b) ** 2

# 替换为你的实际数据
# A = ...
# b = ...

# 初始猜测值（可使用LSQR的无约束解或全0向量）
x0 = np.zeros(3)

# 设置边界：x[0] >=0，其余变量无约束
bounds = [(0, None), (None, None), (None, None)]

# 调用带约束的优化器求解
result = minimize(ls_objective, x0, args=(A, b), bounds=bounds, method='L-BFGS-B')

# 输出结果
print("带约束的解：")
print(result.x)
print("目标函数值（残差平方和）：", result.fun)

关键说明 #

• lsq_linear是专门针对线性带约束最小二乘的优化实现，在问题规模较大时，比通用优化器minimize更高效。
• 若你坚持使用类似LSQR的迭代方法，目前SciPy生态中没有直接扩展LSQR支持约束的工具，上述两种方案是最直接的替代路径。

内容的提问来源于stack exchange，提问作者samman