scipy least_squares如何添加变量间等式约束

scipy.optimize.least_squares 原生仅支持变量的上下界约束，不支持变量间的等式/不等式约束，针对你提出的两个线性等式约束场景，有两种可直接落地的实现方式：

方案1：参数消元（最推荐，无精度损失，实现最简单） #

你的两个约束是完全线性的，可以直接通过变量替换消去约束，把带约束问题转成无约束最小二乘问题，完全兼容现有least_squares的调用逻辑。
假设你的两个固定约束值为：

• x - y = c1（c1为你指定的固定常数）
• z - y = c2（c2为你指定的固定常数）

那么可以直接把x、z用唯一的自由变量y表示：
x = y + c1
z = y + c2
原来的3个优化变量直接缩减为1个自由变量y，优化过程中x、z会自动满足约束条件，不需要额外做约束处理。
代码示例：

from scipy.optimize import least_squares

# 定义约束的固定值，替换为你实际需要的数值即可
c1 = 2  # 对应约束x-y=2
c2 = 3  # 对应约束z-y=3

def loss_func(free_y, *arguments):
    # 从自由变量恢复x,y,z，天然满足预设约束
    x = free_y + c1
    y = free_y
    z = free_y + c2
    # 下方保留你原有的残差计算逻辑即可
    loss = [] # 替换为你实际的残差数组计算逻辑
    return loss

# 初始值只需要传入自由变量y的初始值即可，直接从原初始数组中取y的初始值
y_init = x_arr[1]  # x_arr为你原来存储x,y,z初始值的数组
res = least_squares(loss_func, y_init, args=arguments)

# 优化完成后恢复x,y,z的最优结果
opt_y = res.x[0]
opt_x = opt_y + c1
opt_z = opt_y + c2

方案2：改用支持约束的优化接口（适合约束复杂、不便消元的场景） #

如果后续约束变复杂无法直接消元，可以放弃least_squares，改用scipy.optimize.minimize接口，自己构造最小二乘目标函数（即残差平方和），同时传入等式约束即可。
代码示例：

import numpy as np
from scipy.optimize import minimize

# 定义约束的固定值，替换为你实际需要的数值即可
c1 = 2
c2 = 3

def obj_func(x_arr, *arguments):
    x, y, z = x_arr
    # 计算你原来定义的残差数组
    resi = [] # 替换为你原来loss_func中的残差计算逻辑，返回数组格式
    # 最小二乘的优化目标是残差平方和最小
    return np.sum(np.array(resi)**2)

# 定义等式约束
constraints = [
    {"type": "eq", "fun": lambda x: x[0] - x[1] - c1}, # 对应约束x-y = c1
    {"type": "eq", "fun": lambda x: x[2] - x[1] - c2}  # 对应约束z-y = c2
]

# 传入初始值、约束、其他参数启动优化
res = minimize(obj_func, x_arr, args=arguments, constraints=constraints)
# 最优x,y,z结果直接从res.x中读取即可
opt_x, opt_y, opt_z = res.x

注意：如果你的残差计算逻辑没有特殊的强非线性复杂度，优先选择方案1，消元后用原生least_squares的求解效率和精度都高于通用带约束优化器。

内容的提问来源于stack exchange，提问作者Hai Le