含循环函数优化求助：Scipy.minimize未满足约束且迭代超限

你的问题主要出在区间判断逻辑错误和优化器无法处理不连续函数这两个点上，下面一步步帮你解决：

问题根源分析 #

1. 错误的区间判断方式
   你用x in np.arange(...)来判断数值是否在区间内，但np.arange生成的是离散的步长数组，不仅会漏掉很多连续区间内的数值，还会因为浮点数精度问题导致判断错误（比如0.002在k=0.8时应该属于第一个区间，但np.arange(0, 0.002, 0.001)只生成[0.0]，导致0.002被错误归类）。

2. 不连续的目标函数
   你的assign(k)是分段突变函数，在某些k值临界点，函数值会突然变化。而SLSQP是基于梯度的优化器，无法处理这种非光滑的不连续函数，因此会出现迭代超限、结果不符合约束的情况。

解决方案 #

方案1：分段求解（最可靠） #

因为sum(assign(k))本质是k乘以一个分段常数（每个区间内，所有元素的系数和固定），我们可以先找出所有k的临界点，然后在每个区间内求解线性方程，直接找到满足约束的最小k。

代码实现：

lista = [0.002, 0.006, 0.003, 0.02, 0.008, 0.006, 0.05]

# 收集所有可能的k临界点（即某个x刚好等于区间边界时的k值）
critical_ks = set()
for x in lista:
    # 第一个区间上限对应的k：k = x / 0.0025
    critical_ks.add(x / 0.0025)
    # 第二个区间上限对应的k（仅x>=0.0025时有效）
    if x >= 0.0025:
        critical_ks.add(x / 0.005)
    # 第三个区间上限对应的k（仅x>=0.005时有效）
    if x >= 0.005:
        critical_ks.add(x / 0.0125)
# 添加边界值
critical_ks.add(0)
critical_ks.add(10)
# 排序临界点，划分区间
sorted_ks = sorted(critical_ks)

target_sum = 0.32
min_k = None

# 遍历每个区间，求解满足约束的k
for i in range(len(sorted_ks)-1):
    k_low = sorted_ks[i]
    k_high = sorted_ks[i+1]
    # 取区间中点计算当前区间的系数和C（区间内C为常数）
    k_mid = (k_low + k_high) / 2
    C = 0.0
    for x in lista:
        if x < k_mid * 0.0025:
            C += 0.005
        elif 0.0025 <= x < k_mid * 0.005:
            C += 0.01
        elif 0.005 <= x < k_mid * 0.0125:
            C += 0.025
        else:
            C += 0.05
    # 解线性方程k*C = target_sum
    if C == 0:
        continue
    k_sol = target_sum / C
    # 检查解是否在当前区间内
    if k_low < k_sol < k_high:
        min_k = k_sol
        break

if min_k is not None:
    print(f"最小k值为：{min_k:.4f}")
    print(f"验证sum(assign(k))：{sum([
        min_k*0.005 if x < min_k*0.0025 
        else min_k*0.01 if 0.0025<=x < min_k*0.005 
        else min_k*0.025 if 0.005<=x < min_k*0.0125 
        else min_k*0.05 for x in lista
    ]):.4f}")
else:
    print("在给定边界[0,10]内无解")

方案2：修正逻辑后用scipy.minimize #

如果你坚持使用scipy.optimize.minimize，需要先修正区间判断逻辑，再改用对非光滑函数更友好的优化方法（比如trust-constr），同时把等式约束改为带误差容忍的不等式约束：

from scipy.optimize import minimize

lista = [0.002, 0.006, 0.003, 0.02, 0.008, 0.006, 0.05]

def assign(k):
    res = []
    for x in lista:
        if x < k * 0.0025:
            res.append(k * 0.005)
        elif 0.0025 <= x < k * 0.005:
            res.append(k * 0.01)
        elif 0.005 <= x < k * 0.0125:
            res.append(k * 0.025)
        else:
            res.append(k * 0.05)
    return res

target_sum = 0.32
# 目标函数：最小化k
fun = lambda k: k
# 初始值选在可能的区间内
k0 = 3.0
# 边界约束
bnds = [(0, 10)]
# 带误差容忍的不等式约束，代替严格等式约束
cons = [
    {'type': 'ineq', 'fun': lambda k: sum(assign(k)) - target_sum + 1e-6},
    {'type': 'ineq', 'fun': lambda k: target_sum + 1e-6 - sum(assign(k))}
]

# 使用trust-constr方法处理非光滑函数
res = minimize(fun, k0, bounds=bnds, method='trust-constr', constraints=cons, options={'maxiter': 2000})

print(res)
print(f"sum(assign(k)): {sum(assign(res.x[0])):.4f}")

结果说明 #

运行方案1会得到k≈3.0476，此时sum(assign(k))≈0.32，完全符合约束条件。你之前得到的k=1.1999是因为优化器在不连续点附近无法收敛，给出了一个不满足约束的局部解。

内容的提问来源于stack exchange，提问作者Neo R.