如何在Scipy SLSQP中分别设置目标与约束违反容差？

SLSQP本身没有提供直接分开设置约束违反容差和目标函数最小化容差的参数，但可以通过以下几种变通方式实现不同场景下的约束精度需求：

• 手动调整约束的松弛/收紧阈值
  这是最直接的方法：根据你的精度要求修改约束的定义。

  • 若接受约束违反达1e-2量级，将原不等式约束g(x) ≤ 0调整为g(x) ≤ 1e-2；等式约束h(x) = 0调整为|h(x)| ≤ 1e-2。
  • 若要求约束违反精度低于1e-15，将不等式约束改为g(x) ≤ -1e-15（确保约束严格满足），等式约束改为|h(x)| ≤ 1e-15。
    这种方式相当于把约束容忍度直接编码到问题定义中，SLSQP会按照修改后的约束进行优化。

• 自定义终止回调函数（针对开源库实现）
  以常用的scipy.optimize中的SLSQP为例，默认终止判据是综合目标函数变化、约束违反等的全局容差。你可以通过自定义回调函数，强制在约束违反程度达到预期时终止优化：

  def constraint_termination_callback(xk, *_):
      # 自定义计算当前约束违反程度的逻辑
      violations = []
      for con in constraints:
          val = con['fun'](xk)
          if con['type'] == 'ineq':
              violations.append(max(val, 0))  # 仅统计违反的部分
          elif con['type'] == 'eq':
              violations.append(abs(val))
      total_violation = max(violations)  # 取最大违反值作为判断依据
      if total_violation <= desired_constraint_tol:
          return True  # 返回True触发终止
  

  调用优化时传入该回调：

  from scipy.optimize import minimize
  
  result = minimize(fun, x0, method='SLSQP', constraints=constraints, callback=constraint_termination_callback)
  

  这种方法需要你自行实现约束违反的计算逻辑，能精准控制约束精度，不受目标函数优化进度的影响。

• 手动构造加权惩罚目标函数
  SLSQP的核心是将约束问题转化为带惩罚的无约束问题，你可以手动构造加权目标函数：

  modified_fun(x) = original_fun(x) + λ * sum(max(g(x), 0) + |h(x)|)
  

  其中λ是惩罚系数：

  • 当需要宽松约束（1e-2），设置较小的λ，让优化更偏向目标函数最小化；
  • 当需要严格约束（1e-15），设置极大的λ，强制优化优先降低约束违反程度。
    这种方法需要调试λ的取值，不同问题可能需要多次调整才能达到预期的约束精度。

注意：不同SLSQP实现（如scipy、pyomo中的版本）细节略有差异，以上方法需结合你使用的具体库调整。

内容的提问来源于stack exchange，提问作者Rutvik Marathe