Scipy Optimize(minimize)未输出正确结果，求问题排查

问题描述 #

尝试使用SciPy的SLSQP优化器执行最小化任务，目标是最小化np.std(np.dot(df, x.T))，预期结果接近x_expected = [0., 0., 0., 1]，但实际输出与预期不符。代码如下：

import numpy as np
import pandas as pd
from scipy import optimize as sp

x0 = [0.2, 0.2, 0.2, 0.4]
x_expected = np.array([0., 0., 0., 1])
bounds = ((0, 1), (0, 1), (0, 1), (0, 1))
df = pd.DataFrame(
        {'t1': [1, 2, 3, 2, 1], 't2': [3, 4, 5, 6, 2], 't3': [2, 3, 2, 3, 5], 'c': [1, 1.1, 1.2, 1.3, 1.4]}).to_numpy()

factors = pd.DataFrame(
    {"tk": ["t1", "t2", "t3", "c"], "class": ["x", "y", "x", "z"]})
min_max_class = pd.DataFrame(
    {"class": ["x", "y", "z"], "min_allocation": [0., 0., 0.], "max_allocation": [0.0001, 0.5, 1.0000]})

allocation = factors.join(min_max_class.set_index('class'), on='class')
min_arr = allocation['min_allocation'].to_numpy()
max_arr = allocation['max_allocation'].to_numpy()
ineq1 = {'type': 'ineq',
         "fun": lambda x: np.greater_equal(x, min_arr).sum() + np.less_equal(x, max_arr).sum() - 2 * df.shape[1]}
eq1 = {'type': 'eq', "fun": lambda x: 1 - np.sum(x)}

result = sp.minimize(fun=lambda x: np.std(np.dot(df, x.T), ddof=1), x0=x0, bounds=bounds, method='SLSQP',
                     options={'disp': True}, constraints=[eq1, ineq1])

print(f"final result : {np.round(result.x,2)}, objective value: {result.fun}")
print(f" Manual : {x_expected}, objective value: {np.std(np.dot(df, x_expected.T))}")

核心原因分析 #

1. 初始点不满足约束条件 #

你的初始点x0 = [0.2, 0.2, 0.2, 0.4]违反了自定义的不等式约束：

• t1和t3对应的max_allocation是0.0001，但x0中这两个变量的值是0.2，远大于上限
• 计算ineq1的返回值：sum(x≥min_arr)=4（所有变量都≥0），sum(x≤max_arr)=2（仅t2和c满足上限），总和为6，减去2*4=8后得到-2 < 0，不满足ineq约束要求的fun≥0

SLSQP优化器要求初始点必须处于可行域内（或足够接近），否则优化过程可能无法收敛到正确的可行解，甚至直接在不可行区域内寻找局部最优。

2. 不等式约束定义错误 #

你试图通过单个标量函数表达所有变量的区间约束（min_arr[i] ≤ x[i] ≤ max_arr[i]），但这种写法逻辑错误：

• 该函数仅当所有变量同时满足上下限时返回0，只要有一个变量违反约束，返回值就会小于0，无法正确表达每个变量独立的区间限制
• 正确的做法是使用向量式约束，为每个变量的上下限分别定义不等式：

  ineq_constraints = [
      {'type': 'ineq', 'fun': lambda x: x - min_arr},  # 每个x[i] ≥ min_arr[i]
      {'type': 'ineq', 'fun': lambda x: max_arr - x}   # 每个x[i] ≤ max_arr[i]
  ]
  

  这样优化器能明确识别每个变量的独立约束，而非合并成一个模糊的全局条件。

3. 约束与Bounds的重复定义 #

你同时设置了bounds=((0,1),...)和基于min_arr/max_arr的约束，其中min_arr全为0（与bounds下限一致），但max_arr中t1/t3的上限0.0001远小于bounds的1.0。这种重复定义会增加优化器的计算负担，且错误的约束写法会导致优化器无法正确识别更严格的上限限制。

修复建议 #

1. 调整初始点到可行域内，比如x0 = [0.0001, 0.2, 0.0001, 0.7998]（满足所有上下限和求和为1的约束）
2. 替换错误的ineq1为向量式约束
3. 可以移除重复的bounds设置，因为min_arr/max_arr已经覆盖了更严格的区间限制

修复后的关键代码片段：

# 正确的约束定义
ineq_constraints = [
    {'type': 'ineq', 'fun': lambda x: x - min_arr},
    {'type': 'ineq', 'fun': lambda x: max_arr - x}
]
# 可行的初始点
x0 = [0.0001, 0.2, 0.0001, 0.7998]

result = sp.minimize(
    fun=lambda x: np.std(np.dot(df, x.T), ddof=1),
    x0=x0,
    method='SLSQP',
    options={'disp': True},
    constraints=[eq1] + ineq_constraints
)

内容的提问来源于stack exchange，提问作者user19569348