You need to enable JavaScript to run this app. Scipy Minimize带变量求和约束的多币种现金收益最大化优化问题
优惠活动
大模型
产品
解决方案
定价
更多

Scipy Minimize带变量求和约束的多币种现金收益最大化优化问题

问题排查与解决方案

问题根因

  • SHGO算法默认的等式约束校验容差较为宽松,未显式配置时微小的总和偏差会被判定为满足约束
  • 目标函数为分段不连续函数,默认采样点数、迭代次数不足时算法容易提前收敛到次优解,同时跳过严格的约束校验
  • 该问题本质为线性规划问题,SHGO作为全局黑盒优化器,本身对线性等式约束的支持度不如专用线性规划工具稳定

排查步骤

步骤1:调整SHGO算法参数

显式添加约束容差、采样点数、迭代次数参数,强制算法严格校验等式约束:

solution = shgo(
    objective, 
    bounds = bnds, 
    constraints = con1,
    constraints_tol=1e-8, # 约束容忍度调整到1e-8
    n=200, # 增加初始采样点数量
    iters=15 # 增加迭代次数
)

调整后先校验solution.success字段是否为True,再校验sum(solution.x) - sum(cash_start)的差值是否小于1e-6,符合的话约束就满足了。

步骤2:替换为专用线性规划求解器(更推荐)

你的收益计算规则本质可拆解为线性约束下的最大化问题,用scipy.optimize.linprog求解更稳定、速度更快,且天然严格满足等式约束:

import numpy as np
from scipy.optimize import linprog

cash_start = np.array([799181, -411087, 141234, 2650988])
total_cash = cash_start.sum()
rates_sched = np.array([[.00196, .05320, -.0003, 0.0],
                        [0.01, .00865, -.0076, .00028]])

# 要最大化总收益,linprog默认求最小值,所以收益系数取负
c = -np.array([
    rates_sched[1][0], # GBP最优场景为正余额,用借记利率
    rates_sched[0][1], # JPY最优场景为负/0余额,用信贷利率
    rates_sched[1][2], # EUR最优场景为正/0余额,用借记利率
    rates_sched[1][3]  # USD最优场景为正/0余额,用借记利率
])

# 等式约束:各币种余额总和等于初始总现金
A_eq = np.ones((1,4))
b_eq = [total_cash]

# 边界设置和原逻辑一致
bnds = []
for value in cash_start:
    if value <0:
        bnd = (value, total_cash)
    else:
        bnd = (0, total_cash)
    bnds.append(bnd)

res = linprog(c, A_eq=A_eq, b_eq=b_eq, bounds=bnds, method='highs')
print("最优配置:", res.x.round(2))
print("总收益:", (-res.fun).round(2))
print("配置总和与初始总和差值:", abs(sum(res.x) - total_cash) < 1e-8)

运行后可看到总和差值在1e-10级别,完全满足约束,且输出的最优配置符合收益最大化规则。

内容的提问来源于stack exchange,提问作者rcwilkin1993

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.11 22:57:03