如何为SciPy minimize函数设置原点中心圆形径向边界

SciPy minimize 方法的bounds参数从设计上仅支持逐变量的矩形范围限制，没有原生的圆形边界配置项，完全可以通过两种成熟、可落地的方式实现半径0.15的圆形搜索域：

方案1：增加非线性不等式约束 #

直接在调用中通过constraints参数定义圆形区域的边界规则。

• 圆形域的数学定义为优化点(x,y)满足 $x^2 + y^2 \leq 0.15^2$
• SciPy 对非线性不等式约束的要求是：约束函数的返回值必须≥0，因此将上述规则转换为适配的约束形式：0.15**2 - x[0]**2 - x[1]**2 ≥ 0

对应的代码调整示例：

from scipy.optimize import minimize, NonlinearConstraint
import numpy as np

# 定义圆形约束
def circular_radius_constraint(optim_vars):
    x, y = optim_vars
    return 0.15**2 - x**2 - y**2

# 构造约束对象：要求返回值始终大于等于0
circle_constraint = NonlinearConstraint(circular_radius_constraint, 0, np.inf)

ans = minimize(
    minimum_objective_3d,
    x0=(0.10, 0.10),
    args=(args),
    bounds=[(-0.15, 0.15), (-0.15, 0.15)], # 原有矩形bounds可以保留，作为外层兜底缩小搜索范围
    constraints=circle_constraint,
    method='SLSQP' # 注意必须指定支持约束的求解器，不能用默认的仅支持bounds的方法
)

注意：这种方式下可以选的求解方法包括SLSQP（速度快，适合中小维度问题）、trust-constr（约束处理精度更高，适合对边界要求严格的场景）。

方案2：极坐标变量变换 #

将直角坐标系下的圆形域转换为极坐标系下的矩形域，直接复用原生bounds参数实现严格边界，完全不需要依赖求解器的约束处理逻辑。

• 把优化变量从直角坐标(x,y)替换为极坐标(r, θ)，坐标转换关系为 x = r*cosθ，y = r*sinθ
• 对r设置硬边界为[0, 0.15]，对θ设置硬边界为[0, 2π)，此时整个搜索域和半径0.15的圆形域完全等价

对应的代码调整示例：

import numpy as np

# 包装目标函数：把极坐标输入转换为原目标函数需要的直角坐标
def polar_wrapped_objective(optim_vars, *orig_args):
    r, theta = optim_vars
    x = r * np.cos(theta)
    y = r * np.sin(theta)
    return minimum_objective_3d((x, y), *orig_args)

# 把原初始点转换为极坐标作为优化起点
init_r = np.hypot(0.10, 0.10)
init_theta = np.arctan2(0.10, 0.10)

ans = minimize(
    polar_wrapped_objective,
    x0=(init_r, init_theta),
    args=(args),
    bounds=[(0, 0.15), (0, 2*np.pi)], # 极坐标下的矩形边界完全对应原问题的圆形范围
    method='L-BFGS-B' # 这时候就可以用高效的带bounds的求解器了
)

怎么选 #

• 不想改动已经写好的原有目标函数逻辑，就选约束法，几行代码就能完成改造，迁移成本最低
• 如果对边界精度要求高、不想依赖求解器的近似约束处理逻辑，就选极坐标变换法，整个搜索域是硬限制在圆形范围内的，没有边界溢出的可能，求解过程通常也更稳定

几个容易踩的坑 #

• 别想着直接给bounds传个圆形的范围参数，这个参数从设计上就是管每个变量单独的区间限制，天生就不认任意形状的几何边界，所有非矩形范围都得靠约束或者变量变换实现
• 用极坐标方案的时候，记得把原来的直角坐标初始点转成极坐标再当初值传，不然变量维度对不上会直接报错
• 用约束方案的时候，原来的那套矩形bounds不用删，留着相当于给优化器划了个比圆形稍大的外层框，能减少无效搜索的浪费，完全不会和圆形约束产生冲突

内容的提问来源于stack exchange，提问作者Sean C