SciPy Optimize minimize函数未迭代，x值无变化问题求助

你的优化结果未更新，是因为SciPy SLSQP默认的数值梯度计算精度不足，导致算法误判初始点为最优解。先拆解你的目标函数和约束，明确最优方向：

目标函数简化与最优方向 #

先看成本项的计算：

x3*147187.0 + 20326.0 + 147187.0*(1-x3)

展开后x3的项会完全抵消，结果固定为147187+20326=167513。因此目标函数可简化为：

obj = -[ (128375 + 147187x3)*149.12*(1+x1) - C*(1+x2) ]

其中C是常数。由此可知：

• x1越大，目标函数越小（符合最小化目标），因此最优x1应取边界上限0.75
• x2越小，目标函数越小，最优x2应取边界下限-1.0
• x3越大，目标函数越小，结合约束(1-x3)*147187 ≥128375，最优x3约为0.1278

修复方案1：提供精确梯度（推荐） #

SLSQP默认用数值梯度，当函数值变化幅度大时，数值梯度容易有误差。显式定义目标函数的梯度和约束的雅可比矩阵，让算法获得精确的方向信息：

修改后的代码：

import numpy as np
from scipy.optimize import minimize

def objective_fcn(x):
    x1 = x[0]
    x2 = x[1]
    x3 = x[2]
    profit = (128375.0 + x3*147187.0)*149.12*(1+x1) - (44.92*(1+x2))*(167513.0)  # 直接用简化后的常数项
    return profit * -1

def objective_gradient(x):
    x1 = x[0]
    x3 = x[2]
    d_dx1 = - (128375.0 + x3*147187.0)*149.12
    d_dx2 = 44.92 * 167513.0
    d_dx3 = -147187.0 * 149.12 * (1 + x1)
    return np.array([d_dx1, d_dx2, d_dx3])

def ineq_const(x):
    x3 = x[2]
    return (1-x3)*147187.0 - 128375.0

def ineq_const_jac(x):
    # 约束对x1、x2偏导为0，对x3偏导为-147187
    return np.array([0.0, 0.0, -147187.0])

x0 = [0.1,0.0,0.1]

bounds_x1 = (-1.0, 0.75)
bounds_x2 = (-1.0, 1.0)
bounds_x3 = (-1.0, 1.0)
bounds = [bounds_x1, bounds_x2, bounds_x3]

const1 = {'type': 'ineq', 'fun': ineq_const, 'jac': ineq_const_jac}
consts = [const1]

# 传入精确梯度
result = minimize(objective_fcn, x0, method='SLSQP', bounds=bounds, constraints=consts, jac=objective_gradient)

print("The full result is: ")
print(result)

修复方案2：调整优化参数（备选） #

如果不想写梯度，可以调小收敛阈值或数值梯度步长，让算法更敏感：

# 调小收敛阈值ftol，同时缩小数值梯度步长eps
result = minimize(objective_fcn, x0, method='SLSQP', bounds=bounds, constraints=consts, 
                  options={'ftol': 1e-9, 'eps': 1e-8})

修复后结果 #

运行修改后的代码，会得到符合预期的最优解：

• x1接近0.75，x2接近-1.0，x3接近0.1278

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