Python scipy优化没有找到最小值

试图使用

scipy.optimize.minimize

，似乎优化失败了。我做了以下工作：
1.目标函数为：

f（x）=x[0]+x[1]+x[2]+x[3]+10

2.约束条件是：

x_i>=0

3.最初的猜测是：

x0=[1,1,1,1]

非常平凡的问题，最优解

x=[0,0,0,0]，f（x）=10

守则：

def pos(x):
    return min(x)
def f1(p):
    return (p[0] + p[1] + p[2] +p[3] + 10)
cons2 = ({'type' : 'ineq', 'fun' : pos})
x0 = np.array([1,1,1,1])
res = opt.minimize(f1, x0,method='SLSQP',constraints=cons2)

我得到以下结果：

 fun: 100543626.59510386
 jac: array([ 0.,  0.,  0.,  0.,  0.])
message: 'Optimization terminated successfully.'
nfev: 54
 nit: 9
njev: 9
status: 0
success: True
   x: array([ 24128556.46553156,  24130378.42917114,  28154390.61929696,
    24130291.0811042 ])

这显然是错误的答案（但成功标志是正确的）。
我知道有一些假设“f”必须遵循，但在这种情况下“f”只是一个超平面，所以我真的很困惑。有什么想法吗

更换

def pos(x):
    return min(x)

与

（不等式约束函数可以返回向量；向量的每个分量都必须满足约束。）

这两个公式在数学上似乎是等价的，但您的版本中的某些内容破坏了计算。这可能是因为SLSQP算法假设约束函数是可微的，

min（x）

是不可微的

def pos(x):
    return x