如何在SciPy.optimize.minimize中定义非连续边界？

直接说结论：scipy.optimize.minimize的SLSQP方法的bounds参数不支持直接定义非连续区间（比如(0,15)∪(30,50)这种并集形式）——它要求每个变量只能对应一个(min, max)的连续范围。不过我们有两种实用的方案来实现你的需求，下面分别说明：

方案1：通过非线性约束实现非连续边界 #

SLSQP支持添加不等式约束，我们可以利用这一点来限制变量落在目标的非连续区间内。

对于你的需求(0,15)∪(30,50)，可以拆解为两个条件：

1. 变量x必须满足x ∈ [0,50]（用常规的bounds设置）
2. 变量x不能落在(15,30)之间，也就是满足(x-15)(x-30) ≥ 0（这个不等式的含义是：当x≤15或x≥30时，乘积为非负）

代码示例 #

from scipy.optimize import minimize

# 示例目标函数（你可以替换成自己的）
def objective(x):
    return x[0] ** 2  # 这里以简单的二次函数为例

# 定义非线性约束：(x-15)(x-30) ≥ 0
def non_continuous_constraint(x):
    return (x[0] - 15) * (x[0] - 30)

# 设置约束条件：类型为不等式约束（ineq表示约束值≥0）
constraints = [{'type': 'ineq', 'fun': non_continuous_constraint}]

# 设置基础边界：x ∈ [0,50]
bounds = [(0, 50)]

# 初始值选择在第一个区间内（比如5）
x0 = [5]

# 调用SLSQP优化
result = minimize(objective, x0, method='SLSQP', bounds=bounds, constraints=constraints)

print("优化结果：", result.x)
print("目标函数值：", result.fun)

注意事项 #

• 确保约束函数的数值稳定性：如果变量接近15或30，乘积可能接近0，SLSQP会自动处理边界情况，但如果你的目标函数在这些点有特殊行为，可能需要调整约束的形式（比如添加一个小的epsilon，变成(x-15)(x-30) ≥ 1e-6）。
• 这种方法适合变量较多、非连续区间复杂的场景，不需要拆分优化任务。

方案2：分区间独立优化，取最优结果 #

如果你的非连续区间数量不多（比如只有两个），可以分别在每个连续区间内进行优化，最后比较各个区间的优化结果，选择目标函数值最小的那个。

代码示例 #

from scipy.optimize import minimize

def objective(x):
    return x[0] ** 2

# 第一个区间：[0,15]优化
bounds1 = [(0, 15)]
res1 = minimize(objective, x0=[5], method='SLSQP', bounds=bounds1)

# 第二个区间：[30,50]优化
bounds2 = [(30, 50)]
res2 = minimize(objective, x0=[35], method='SLSQP', bounds=bounds2)

# 比较两个结果，选择最优解
if res1.fun < res2.fun:
    best_result = res1
else:
    best_result = res2

print("最优结果：", best_result.x)
print("最优目标函数值：", best_result.fun)

注意事项 #

• 这种方法实现简单，不需要处理复杂的约束，但如果变量有多个非连续区间，组合起来的优化任务会呈指数级增长，不适合复杂场景。
• 初始值的选择很重要：如果目标函数在区间内有多个局部最优，建议尝试多个初始值来避免陷入局部最优。

总结 #

• 如果你的非连续区间数量少、结构简单，优先用方案2，实现成本低且直观；
• 如果变量多、区间复杂，选择方案1，通过非线性约束来统一处理。

内容的提问来源于stack exchange，提问作者zlpython