如何为SciPy中向量到标量的优化函数设置输出约束？

SciPy的minimize确实仅直接支持对输入变量x的约束，但我们可以通过将输出约束转换为基于输入变量的约束函数来实现需求。核心思路是：用约束函数关联输入x和函数输出f(x,m)，将输出的限制条件转化为对x的约束。

关键注意事项 #

• Nelder-Mead等无导数方法不支持约束，需要切换到支持约束的求解器（如SLSQP、trust-constr）。
• 约束函数需返回满足特定条件的值：
  • 不等式约束（type='ineq'）：返回值需≥0
  • 等式约束（type='eq'）：返回值需=0

修正后的代码示例（含输出约束） #

首先修正原代码中未定义arr的错误，再添加输出约束：

import numpy as np
from scipy.optimize import minimize

np.random.seed(1)

m = np.array([[1,0,0.15],[2,0,0.15],[1.5,0.2,0.2],[3,0.5,0.1],[2.2,0.1,0.15]])
x0 = np.random.rand(5)*2

def f(x, m):
    # 修正原代码中arr未定义的问题，替换为m
    pg = -np.concatenate((-m[:, :2], x.reshape(-1, 1)), axis=1).sum(axis=1)
    return np.sum(m[:, 2] * pg)

# 定义输出约束函数：例如要求f(x,m) ≤ 0.5
def output_constraint(x, m):
    # 转换为不等式约束：0.5 - f(x,m) ≥ 0
    return 0.5 - f(x, m)

res = minimize(
    f, x0,
    method='SLSQP',  # 切换到支持约束的求解器
    args=(m,),
    constraints={'type': 'ineq', 'fun': output_constraint, 'args': (m,)},
    options={'xatol': 1e-8, 'maxiter': 1e+4, 'disp': True}
)

不同约束场景的调整 #

1. 要求输出≥某个值（如f(x,m)≥0.3）
   修改约束函数为：

   def output_constraint(x, m):
       return f(x, m) - 0.3  # 返回值≥0即满足f(x,m)≥0.3
   

2. 要求输出等于某个值（如f(x,m)=0.4）
   将约束类型改为'eq'：

   res = minimize(
       f, x0,
       method='SLSQP',
       args=(m,),
       constraints={'type': 'eq', 'fun': lambda x, m: f(x,m)-0.4, 'args': (m,)},
       options={'xatol': 1e-8, 'maxiter': 1e+4, 'disp': True}
   )
   

内容的提问来源于stack exchange，提问作者Frank