使用Python scipy.optimize.minimize时如何强制约束参数不越界

问题根源 #

你使用的SLSQP算法属于序列二次规划类算法，这类算法的不等式约束仅保证最终收敛的结果满足约束条件，迭代中间步允许超出约束范围，这就是你即使定义了cons参数仍然会触发QuantLib报错的原因。

可行解决方法 #

1. 优先使用bounds参数定义边界约束 #

你当前的所有约束都属于参数上下界约束，直接通过minimize的bounds参数传入即可，包括SLSQP、L-BFGS-B、trust-constr在内的绝大多数优化算法都会在每一步迭代时强制遵守边界限制，完全不会生成越界参数，不需要再手动截断。
边界定义示例：

import numpy as np
# 逐个参数定义(最小值, 最大值)
bounds = [
    (0.001, 0.999),  # v0
    (0.001, 0.999),  # kappa
    (0.001, 0.999),  # theta
    (0.001, 0.999),  # sigma
    (-np.sqrt(0.99), np.sqrt(0.99))  # rho，满足rho² ≤ 0.99的约束
]

调用minimize时直接传入bounds参数，原有的不等式约束可以直接删除：

# 仅用边界约束即可，不需要额外写cons
result = minimize(f, m1_params, bounds=bounds, method="SLSQP")

2. 更换约束遵守度更高的优化算法 #

如果你后续有更复杂的非线性约束，边界约束无法覆盖，可以将算法更换为trust-constr，这是scipy官方主推的约束优化算法，对约束的遵守程度远高于SLSQP，迭代过程越界的概率极低：

result = minimize(f, m1_params, bounds=bounds, constraints=你的其他非线性约束, method="trust-constr")

如果仅需要边界约束，也可以用L-BFGS-B算法，该算法专门针对带边界的无约束优化设计，迭代过程绝对不会越界，性能也优于SLSQP。

3. 目标函数加越界快速返回（兜底方案） #

如果必须使用SLSQP且有特殊约束无法通过bounds定义，可以在目标函数开头先做参数合法性校验，一旦越界直接返回一个极大值，不需要执行QuantLib相关逻辑，避免报错：

def f(params):
    # 合法性校验
    if (params[0] < 1e-8 or params[0] > 0.999 or
        params[1] < 1e-8 or params[1] > 0.999 or
        params[2] < 1e-8 or params[2] > 0.999 or
        params[3] < 1e-8 or params[3] > 0.999 or
        params[4]**2 >= 0.99):
        return 1e10 # 直接返回超大损失，引导算法向合法区域迭代
    return hestonModelSurface(params, label="Model1").avgError

优化后效果 #

使用bounds参数后，算法每一步生成的参数都会被强制限制在你指定的范围内，完全不需要手动做截断处理，也不会触发QuantLib的越界报错。

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