面向新手的差分进化多约束优化：scipy differential_evolution变量递增约束实现

之前求解返回全inf的核心原因 #

• differential_evolution 从scipy 1.4版本开始才正式支持约束参数，完全不兼容minimize接口常用的字典格式约束（即{'type': 'ineq', 'fun': ...}这类写法）。直接传这类字典会被解析为无效约束，导致可行域被判定为空，最终返回全inf结果。
• 第二个常见诱因是设置的变量边界bounds和约束逻辑本身矛盾，比如变量边界的范围和单调要求没有交集，优化器找不到任何满足条件的解点。

适配你需求的线性约束构造方法 #

你要求的“每个变量严格大于前序变量”（即x[i] > x[i-1], i=1..20）属于典型的线性不等式约束，可以直接用scipy.optimize.LinearConstraint实现，不需要手动写惩罚项。

1. 将单调要求转化为线性不等式：由于浮点优化的数值精度限制，不需要追求绝对严格的大于，可设置相邻变量的最小差值为1e-4，即约束为x[i] - x[i-1] >= 1e-4
2. 构造约束矩阵：21个变量对应20条相邻约束，约束矩阵为20行21列的稀疏矩阵：
   • 第i行对应第i条相邻约束，仅在第i列位置为-1，第i+1列位置为1，其余元素为0
3. 生成LinearConstraint实例：将约束矩阵、每个不等式的下限（1e-4）、上限（无穷大，不设置上界限制）传入即可。

完整可运行代码示例 #

import numpy as np
from scipy.optimize import differential_evolution, LinearConstraint
# 去掉手动惩罚项的简化目标函数，和你原逻辑完全一致
def obj_fun_cal(x, df_TZ_input, df_TZ_target):
    prodmx = df_TZ_input * x
    sum_vector = prodmx.sum(axis=1)
    MAE = np.mean(np.absolute(df_TZ_target - sum_vector))
    return MAE
# 构造单调递增约束
n_vars = 21  # 对应你优化的21个变量x0~x20
# 初始化约束矩阵
A = np.zeros((n_vars - 1, n_vars))
for i in range(n_vars - 1):
    A[i, i] = -1
    A[i, i+1] = 1
# 约束规则：每个相邻变量差 >= 1e-4，无上限限制
mono_constraint = LinearConstraint(A, lb=1e-4, ub=np.inf)
# 调用differential_evolution求解
# 注意替换为你实际的变量物理边界，避免和约束逻辑冲突
bounds = [(0, 100) for _ in range(n_vars)]
result = differential_evolution(
    func=obj_fun_cal,
    bounds=bounds,
    args=(df_TZ_input, df_TZ_target),
    constraints=mono_constraint,
    seed=42,  # 固定随机种子保证结果可复现
    polish=True,  # 优化最后阶段用梯度法细化结果
    tol=1e-7
)
# 输出结果
print("最优MAE值:", result.fun)
print("满足单调要求的最优变量:", result.x)

关键注意事项 #

• 对比你原来的手动惩罚方案：内置线性约束会在种群初始化、变异、交叉的全流程强制保持解在可行域内，不存在惩罚权重设置不当（太低压不住不可行解、太高降低拟合精度）的问题。
• 如果运行后仍然出现全inf结果，优先检查两点：一是scipy版本是否高于1.4，二是设置的bounds范围是否能覆盖满足单调要求的解空间（比如不要给x0设比x1更高的上界）。
• 不需要对变量做转换（比如把x设成累加形式），线性约束会自动处理所有相邻变量的单调要求，不会改变你原来目标函数的计算逻辑。

内容的提问来源于stack exchange，提问作者Steve