Python Scipy优化返回初始猜测作为解决方案

我有一个优化问题，我需要解决一个向量X：

E=O-X*H

O和H都是已知的。求解X，使E的方差最小

我写的代码如下：

H = np.matrix(df.ix[:,1:5]) # 61 by 4 matrix
O = np.matrix(df[fund]) # 1 by 61 matrix
#X = np.array([1,0,0,0]) # 1 by 4 matrix
def fitness(X, H=H, O=O):
    A = X*np.transpose(H) # 1 by 61 matrix
    E = O - A
    target = np.var(E, ddof=1)
    return target
cons = ({'type':'eq','fun': lambda X: sum(X)-1})
bnds = [(0, 1) for i in range(4)]
res = optimize.minimize(fitness, np.array([0,1,0,0]), method='SLSQP', bounds=bnds, constraints=cons)
print res.x

---

代码不断返回与解决方案相同的初始猜测。我还尝试了“BFGS”方法，它返回了一个违反边界约束的错误答案。我想知道我是否对脚本做了什么错误，或者我使用的方法不合适？

我不确定是什么造成了不同，但“TNC”方法似乎给了我我想要的东西。

很可能你的问题与矩阵上的svd计算密切相关，你使用Excel解决矩阵X。当我在脚本中插入X时，适应度函数会给我精确的Excel输出。你应该始终检查

res.success

是否正确，使您知道解算器已收敛（如果它返回初始点，则可能不是这种情况）。