Scipy.optimize.minimize结果与Excel GRG求解器不一致问题咨询

首先澄清约束对应关系：你文字描述的约束是「x1为正、x2为负」，但你给出的Excel GRG求解结果中x1为负、x2为正，和你描述的约束完全相反。结合你代码里的边界设置bounds_x1 = [None, 0]（限制x1≤0）、bounds_x2 = [0, None]（限制x2≥0），判断你是文字描述约束时写反了，实际需要的约束就是x1≤0、x2≥0，和代码里的边界设置一致。

二者结果差异大的核心原因如下：

• 该优化问题的目标函数是非凸函数，存在多个局部极小值。SLSQP是局部优化算法，只会收敛到初始点附近的局部极小值，你选的初始值x0 = [-1,1,1]附近刚好存在一个局部最优解，也就是你代码跑出来的结果，对应目标函数值0.0312。
• Excel的GRG求解器默认开启了多起点搜索或者局部极小值逃逸逻辑，能够跳出初始点附近的局部最优，找到全局最优解，所以目标函数值能降到接近0的水平。

解决方法 #

你不需要更换算法，SLSQP本身适配该场景，只需要调整优化策略即可：

1. 使用多起点搜索：随机生成多个符合边界约束的初始值，分别运行SLSQP求解，取目标函数值最小的结果，就能得到和Excel一致的全局最优解。
2. 更换为专门的最小二乘优化接口：对于你这类平方和形式的目标函数，使用scipy.optimize.least_squares比通用的minimize接口收敛精度更高、鲁棒性更好。
3. 如果需要直接找全局最优，可以使用scipy自带的全局优化算法比如scipy.optimize.differential_evolution，不需要手动设置多初始点，就能直接找到全局最优解。

修正后可得到Excel一致结果的代码示例（多起点SLSQP） #

import numpy as np
from scipy.optimize import minimize
import math

def objective_fcn(x):
    x1 = x[0]
    x2 = x[1]
    x3 = x[2]
    return ((x1*math.exp(-10/x2) + x3) - 0.25)**2 + ((x1*math.exp(-20/x2) + x3) - 0.5)**2

bounds = [(None, 0), (0, None), (None, None)]
best_result = None
best_loss = float('inf')

# 随机生成20组初始值多起点搜索
for _ in range(20):
    # 生成符合边界的随机初始值：x1∈[-10,0), x2∈(0,10], x3∈[-5,5]
    x0 = [np.random.uniform(-10, 0), np.random.uniform(0, 10), np.random.uniform(-5,5)]
    result = minimize(objective_fcn, x0, method="SLSQP", bounds=bounds)
    if result.fun < best_loss:
        best_loss = result.fun
        best_result = result

print(best_result)

运行上述代码后得到的结果就会和Excel GRG的结果一致，目标函数值会降到1e-12量级。

内容的提问来源于stack exchange，提问作者Arth