如何在scipy优化过程中拒绝超出约束范围的局部最小值

scipy.optimize.minimize 使用trust-constr方法求解后返回的OptimizeResult对象，本身就内置了约束校验相关的属性，不需要额外修改迭代逻辑，你只要在局部优化结束后对返回结果做校验，就能筛选出符合约束的局部最小值。

核心校验属性 #

trust-constr返回的结果包含两个可直接用于约束判断的属性：

• status：求解器结束状态码，仅当status == 0时代表求解正常结束，且最终结果满足所有预设约束
• constr_violation：当前结果的约束违反总量，所有约束都满足时该值为0，数值越高代表违反约束的程度越高

结合basinhopping的实现方式 #

你可以自定义局部优化的包装函数，在每次调用trust-constr完成后先做约束校验，符合要求就返回当前结果，不符合就返回上一轮的可行局部最小值，不需要拒绝整个basinhopping步骤：

from scipy.optimize import basinhopping, minimize

# 替换为你自己的目标函数、约束、边界定义
def objective(x):
    return x[0]**2 + x[1]**2

constraints = [{"type": "eq", "fun": lambda x: x[0] + x[1] - 1}]
bounds = [(-2, 2), (-2, 2)]

last_feasible_res = None
def filtered_local_min(x):
    global last_feasible_res
    # 调用trust-constr求解局部最小值
    res = minimize(
        objective, 
        x, 
        method="trust-constr", 
        bounds=bounds, 
        constraints=constraints
    )
    # 校验约束（加1e-6阈值避免浮点误差影响）
    if res.status == 0 and res.constr_violation < 1e-6:
        last_feasible_res = res
        return res
    # 不符合约束时返回上一个可行解
    if last_feasible_res is not None:
        return last_feasible_res
    # 首次求解就无可行解时，将目标函数设为极大值避免basinhopping采纳
    res.fun = 1e10
    return res

# basinhopping调用时指定自定义的局部优化器
result = basinhopping(
    objective,
    x0=[0, 0],
    local_minimizer=filtered_local_min
)

可选细粒度控制 #

如果需要在迭代过程中提前拦截不符合约束的迭代点，可以给minimize传入callback回调函数，每一步迭代都会触发回调，你可以在回调中校验当前迭代点的约束满足情况，不符合要求就返回True提前终止本次局部优化，减少无效计算。

内容的提问来源于stack exchange，提问作者Antoto