Python scipy中的问题。使用SLSQP方法最小化

我对SLSQP方法有一些问题。我希望这不是什么愚蠢的事情。因此，最小代码如下所示：

import numpy as np
import scipy.optimize as scopt

def loss(x,r):
        return -np.dot(x,r)

def opt(r):
    def cons(x):
        return sum(x)

    cons = [{'type': 'eq', 'fun': cons}]

    x_opt = scopt.minimize(loss, [0., 0.], method='SLSQP', constraints=cons, args = (r,))

    return x_opt

在上下文中，将其视为一组投资量x的损失最小化，给定一些回报r。唯一的限制是不存在货币创造，因此投资总额应为0

因此，如果我设置r=[0,0.1]，一切正常，函数返回一个错误，因为没有最小值——你可以将x[0]设置为负无穷大，将x[1]设置为正无穷大，以使利润最大化。但是如果我改为设置r=[0,0.001]，那么就没有错误，函数总是返回初始值（[0,0.]）

这似乎是一个来自舍入错误的错误，但我很惊讶，因为这种方法被广泛使用。。。我错过什么了吗

我正在使用python3和scipy0.14

编辑：

---

我确信这是一个bug，因为我已经尝试用cvxopt模块解决这个优化问题，它返回正确的解决方案。我已经报告了这个bug，在回答这个问题之前，我正在等待scipy的确认。如果这不是正确的方法，有人告诉我，我是新来的。

在Python3上，这种方法也有问题。我有一个在Python2上完美运行的程序，但在Python3上生成了许多

nan

值。我不知道为什么会有什么不同。你在这方面有什么进展吗？嗨，很明显，原始fortran代码中的公差标准有问题，我有时间的时候必须看一下。因为我的问题应该独立于python版本（即使我没有测试），所以您的问题可能是另一个问题。