Python 3.x scipy优化最小化中忽略了终止公差

我有一个简单的优化问题，使用一些特定的数据，使scipy.optimize.minimize忽略

tol

参数。根据我的理解，

tol

确定了“终止容差”，即目标函数可接受的最大误差（我错了吗？）。然而，在下一个工作示例中，例如，当

tol

设置为0.1或其他小数值时，即使目标函数>

tol

，优化也会以“Optimization terminated successfully”（优化成功终止）消息结束。这是Scipy方法中的一个错误还是我在这里误解了什么

优化问题：我需要对

var1

和

var2

进行线性组合，这是两个时间序列，通过参数

Btd

和

Bta

对它们进行缩放。我需要线性组合的平均值近似于一个目标值

target

，一个标量。因此，我只需最小化

np.mean（Btd*var1+Bta*var2）

和

目标之间的绝对差异。约束条件是标度系数必须大于0，且均值
np.mean（Btd*var1）/np.mean（Bta*var2）
的比率应近似于函数
gi/（1-gi）
，其中
gi
是区间[0,1]中的标量

可复制代码：

将numpy导入为np
导入scipy.optimize作为选项
#准确再现错误的数据：
时间=np.arange（19792011）
var2=np.数组（[88.95705521,74.5398773,72.08588957,65.64417178，
50.        ,  72.39263804,  77.3006135 ,  72.08588957,
64.41717791,  96.62576687,  69.93865031,  84.96932515,
86.50306748,  82.20858896,  80.98159509,  73.00613497,
66.25766871,  67.48466258,  79.75460123,  65.64417178,
70.24539877,  84.66257669,  76.3803681 ,  83.74233129,
83.74233129,  78.2208589 ,  88.03680982,  87.73006135,
100.        ,  71.16564417,  73.6196319 ,  85.58282209])
var1=np.数组（[300,420.89552239333.58208955355.97014925，
376.11940299, 510.44776119, 420.89552239, 434.32835821,
333.58208955, 394.02985075, 523.88059701, 411.94029851,
353.73134328, 434.32835821, 355.97014925, 398.50746269,
476.86567164, 371.64179104, 445.52238806, 544.02985075,
416.41791045, 427.6119403 , 541.79104478, 579.85074627,
429.85074627, 414.17910448, 420.89552239, 528.35820896,
577.6119403 , 490.29850746, 600.        , 454.47761194])
X=np.转置（[var1，var2]）
#全局参数
目标=3.0
gi=0.7
#该模型是两个时间序列的简单线性组合。
def MyModel（modelparams，X，gi）：
Bta，Btd=模型参数
Eta=Bta*X[：，0]
Etd=Btd*X[：，1]
Etot=Eta+Etd
返回Etot、Eta、Etd
#目标函数
def Obj（模型参数）：
Bta，Bdt=modelparams
Etot，Eta，Etd=MyModel（[Bta，Bdt]，X，gi）
返回abs（净现值平均值（Etot）-目标值）
#比率约束
def比率（模型参数）：
将numpy作为np导入
Bta，Btd=模型参数
Etot，Eta，Etd=MyModel（[Bta，Btd]，X，gi）
A=净现值平均值（Etd）/净现值平均值（Eta）
B=gi/（1-gi）
#epsilon进来只是稍微放松了这个约束
ε=0.1
返回-abs（abs（A-B）-ε）
#这是我的解决方案，使参数不同于零。
#ineq类型约束使它们>=0。
def TDPos（模型参数）：
Bta，Btd=模型参数
返回Btd-10**（-5）
def TAPos（模型参数）：
Bta，Btd=模型参数
返回Bta-10**（-5）
约束=[{'type'：'ineq'，'fun'：Ratio}，
{'type'：'ineq'，'fun'：TDPos}，
{'type'：'ineq'，'fun'：TAPos}]
#模型参数的界
界限=（（0，无），（0，无））
#最小化
modelparams0=[Target/np.nanmean（var1），Target/np.nanmean（var2）]
结果=选择最小化（对象，模型参数0，
tol=0.1，
方法='SLSQP'，
选项={'maxiter'：40000}，#，'ftol'：0.1}，
界限=界限，
约束=约束）
打印（结果）

打印出：

     fun: 3.0
     jac: array([439.92537314,  77.31019938])
 message: 'Optimization terminated successfully.'
    nfev: 20
     nit: 4
    njev: 4
  status: 0
 success: True
       x: array([0., 0.])

我的问题是：
乐趣：3.0>tol:0.1
这是不可取的

TL；DR：scipy.optimize.minimize忽略停止参数
tol
。为什么?

编辑：此外，最佳解决方案[0，0]忽略了两个ineq约束，旨在使这对参数>10**（-5）。这是同一个问题的一部分吗？
不管tol到底是什么，它都依赖于解算器，当然不是你所假设的。对于您的解释，解算器必须知道零的下限，或者需要遵循一些原始-对偶或类似的方法来获得边界。tol通常是一个简单的一阶临界值，如abs（func（it x）-func（it x-1））。Slsqp可能使用近似的二阶信息。但我不会盲目地玩这个游戏。你对托尔和马克西特的区别也很奇怪。前者非常放松。后者非常咄咄逼人。谢谢@sascha，我误解了
tol
的意思。你能看到一种方法来施加这个终止阈值，作为目标函数的一个可接受的错误吗？这就是我对tol的目标。你可以使用回调来拼凑一些东西；看见