使用scipy.optimize.minimize()添加约束时出现数组维度不匹配错误的问题

看起来你在用scipy的SLSQP算法做最小化优化时，给minimize()添加约束遇到了棘手的维度问题——这种底层不匹配的错误确实让人头大，尤其是你习惯用断点和监视列表调试，却卡在这种看不见的细节上的时候。

从你给出的错误代码片段来看，问题大概率出在约束函数的返回值维度或者约束定义的格式上，SLSQP对约束的格式要求特别严格，这里给你几个具体的排查方向，你可以用断点一步步验证：

• 先检查你的约束函数返回值的形状：每个约束函数必须返回一维数组，长度要和你设定的约束数量完全对应。比如你有3个不等式约束，返回值就得是(3,)的一维数组，不能是二维数组或者长度不符的结果
• 确认约束函数的参数传递是否正确：看看你给minimize()传的args有没有和约束函数的参数需求匹配，会不会因为参数漏传或多传，导致计算出来的约束结果维度乱掉
• 检查初始值x0的形状：SLSQP要求x0必须是一维数组，要是你误传了二维数组，也可能间接引发维度不匹配的问题

给你贴个简单的正确约束示例参考：

import numpy as np
from scipy.optimize import minimize

def loss_func(x):
    return x[0]**2 + x[1]**2

def constraint_func(x):
    # 定义两个不等式约束：x[0]+x[1] ≤5，x[0]-x[1] ≥0
    return np.array([5 - x[0] - x[1], x[0] - x[1]])

# 约束字典定义
constraints = [{'type': 'ineq', 'fun': constraint_func}]
# 初始值必须是一维数组
x0 = np.array([1, 1])

res = minimize(loss_func, x0, method='SLSQP', constraints=constraints)

你可以在约束函数里加个断点，实时查看返回数组的形状和数值，这样应该能快速定位到哪里出了问题。

备注：内容来源于stack exchange，提问作者Murali