SciPy Minimize的L-BFGS-B方法求解函数驻点出现异常结果问题

问题原因分析 #

1. 初始点(0, 0.1)返回接近0的非精确结果 #

L-BFGS-B是数值迭代优化算法，默认设置下的收敛阈值（ftol、gtol参数）允许结果存在1e-8量级的数值误差，你得到的(-4.9999383996738455e-09, 8.936905459196604e-08)已经在数值精度上等价于(0,0)，属于正常现象。如果需要更高精度，可以手动调低minimize的公差参数，例如：

res = minimize(V, x0, method='L-BFGS-B', tol=1e-12)

2. 初始点(0, 1.01)触发溢出且结果异常 #

该问题核心有两个原因：

• (0,1)是鞍点不是极小值点：你当前设置a=0、g=0，简化后的目标函数为：

  V(x,y) = 1/6*(3*x[0]**2 + 3*x[1]**2 + 6*x[0]**2*x[1] - 2*x[1]**3)
  

  对其求海森矩阵验证可知，(0,1)点的海森矩阵特征值一正一负，属于鞍点，不是局部极小值点。而scipy.optimize.minimize的定位是寻找局部极小值，不会收敛到鞍点。
• 目标函数无下界：简化后的V函数的y最高次项为-1/3 * x[1]**3，系数为负，当y不断增大时，V会无限减小。初始点(0,1.01)处的y方向负梯度指向y增大的方向，优化过程会让y持续变大，最终超出浮点数范围触发溢出警告，得到异常结果。

修复建议 #

• 如果需要求解所有驻点（包含鞍点、极大值点），不要用minimize，可以改用scipy.optimize.root求解偏导等于0的方程组。
• 继续使用L-BFGS-B的话，可以给变量加合理的边界约束，防止优化过程中变量跑飞，例如限制x、y的范围在[-2, 2]：

  res = minimize(V, x0, method='L-BFGS-B', bounds=[(-2,2), (-2,2)])
  

• 若后续调整a、g为非零值，函数中存在6次幂项，也需要加边界约束避免数值溢出。

内容的提问来源于stack exchange，提问作者Dan