如何在trust-constr求解器中仅使用线性不等式约束c(x)>0？

步骤1：封装约束计算逻辑 #

把你提供的插值计算逻辑封装成求解器可调用的函数，输入为优化变量x（对应你的input_val），输出为约束值cons = g(x, teta) - ymin：

def constraint_func(x, pressure_cons_val, interpolation_file):
    # x对应input_val = (BHP, GOR, WC, GLR, LR)
    interpol = interpolation_file.do_interpolation(0)
    res = interpol(x)  # 计算g(x,teta)
    return res - pressure_cons_val  # 返回c(x)

步骤2：定义trust-constr兼容的约束对象 #

trust-constr优先推荐使用NonlinearConstraint适配插值逻辑（绝大多数插值都是非线性的）。约束c(x) > 0在数值优化中通常用极小下界替代严格大于0，避免边界数值问题：

from scipy.optimize import NonlinearConstraint
import numpy as np

# 传入已知的ymin和插值文件对象
nonlinear_cons = NonlinearConstraint(
    fun=lambda x: constraint_func(x, pressure_cons_val, self.file),
    lb=1e-8,  # 用极小值替代严格大于0
    ub=np.inf
)

如果你的插值是严格线性关系（比如线性插值且变量与结果呈线性映射），可以用LinearConstraint，但需提前推导线性系数矩阵A和常数项b0（满足g(x,teta) = A @ x + b0）：

from scipy.optimize import LinearConstraint

# 推导得到线性关系后，构造约束A@x + (b0 - pressure_cons_val) > 0
linear_cons = LinearConstraint(
    A=A,  # 线性系数矩阵
    lb=1e-8 - (b0 - pressure_cons_val),
    ub=np.inf
)

步骤3：调用trust-constr求解器 #

将约束传入求解器，同时定义目标函数和初始猜测值：

from scipy.optimize import minimize

# 定义你的目标函数（根据实际优化需求修改）
def objective_func(x):
    # 示例：最小化变量的平方和
    return sum(x**2)

# 初始猜测值，对应input_val的初始参数
x0 = [初始BHP, 初始GOR, 初始WC, 初始GLR, 初始LR]

# 执行优化
result = minimize(
    objective_func,
    x0,
    method='trust-constr',
    constraints=[nonlinear_cons]  # 线性约束则传linear_cons
)

# 输出结果
print("优化后参数：", result.x)
print("约束满足值：", constraint_func(result.x, pressure_cons_val, self.file))

关键注意事项 #

• 严格大于0的约束不能直接设lb=0，会导致求解器在边界处出现数值不稳定，用1e-8这类极小值替代更稳妥。
• 确保插值函数返回标量值，若需要多约束，需调整函数返回数组并对应设置lb/ub数组。
• 如果仅优化input_val中的部分参数，需在constraint_func中做好变量映射，保证插值输入正确。

内容的提问来源于stack exchange，提问作者Sogol27