Scipy优化COBYLA/SLSQP求解时约束、边界不生效问题排查

1. 无循环构造方程的实现方式 #

完全不需要写循环，核心是先把无序的字典/集合转为有序的numpy数组，利用numpy广播做向量化计算，适配任意变量数量n：

• 第一步先固定索引顺序，绝对不要用set存索引，Python集合遍历顺序不固定，会导致变量和常量错位：

import numpy as np
import pandas as pd
import scipy

# 固定索引顺序，保证所有常量、边界、变量的索引一一对应
k_sorted = sorted(df.index.values)
# 把所有预计算字典转成和x同顺序的numpy数组
U_arr = np.array([U[i] for i in k_sorted])
c_arr = np.array([c[i] for i in k_sorted])
lb_arr = np.array([lb[i] for i in k_sorted])
ub_arr = np.array([ub[i] for i in k_sorted])

• 之后目标函数和约束可以直接向量化实现，无任何循环：

def obj(x):
    b_term = B(x)
    return np.sum(U_arr * b_term * x)

def cons(x):
    b_term = B(x)
    c2 = np.sum(U_arr * b_term * x)
    c1 = np.sum(U_arr * b_term * (x - c_arr))
    # 改写为无除法形式，避免数值不稳定
    return c1 - val * c2

const = [{'type':'ineq', 'fun':cons}]
bnds = tuple(zip(lb_arr, ub_arr))
x_init = lb_arr.copy()

2. bounds参数失效的核心原因 #

你目前边界不生效有两个明确问题：

• 你选用的COBYLA求解器在scipy旧版本中完全不支持bounds参数，传入的边界会被直接忽略，这是越界的核心原因。如果坚持用COBYLA，需要把每个变量的上下界都转为额外的不等式约束传入；更简单的方案是换用原生支持边界的求解器，比如SLSQP或者trust-constr。
• 你之前用set(df.index.values)存索引，集合遍历顺序随机，会导致构造bnds、x_init、计算目标/约束时的变量顺序错位，哪怕求解器正常工作，结果也会和预期边界不匹配。

3. 约束构造的明显缺陷 #

• 语法问题：你贴的代码里c1、c2的计算行末尾缺少右括号，运行会直接报语法错误，需要先补全。
• 数值稳定性问题：原约束用分式形式c1/c2 - val >=0，当分母c2接近0时，极小的浮点误差就会导致约束计算结果严重偏离真实值，求解器很容易误判约束满足、返回假收敛。只要你能保证目标函数c2恒正（从公式形式看U、B(x)、x取值都为正的话c2必然为正），完全可以等价改写为无除法的c1 - val*c2 >=0，数值精度会提升一个量级。
• 求解器适配问题：COBYLA是基于线性近似的无导数求解器，本身约束满足的容差较松，建议优化时手动调高收敛容差参数，或者换用精度更高的trust-constr方法。另外可以先手动计算初始点的约束值，不要让初始点离可行域太远，否则求解器容易卡在不可行点返回成功。

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