Python SciPy最小化与SLSQP能否在多个非线性约束下工作？

我试图在约束条件下找到一个最优解，并将SciPy最小化与SLSQP结合使用。它完美地工作，没有任何问题，只有一个约束。 一旦我添加了另一个约束，它将成功完成，但没有达到优化目标

我假设我的问题在于约束函数定义（约束2有点棘手），并决定学习如何正确使用最小化

我切换到一个简单的第二个约束，但又得到了一个未优化的解决方案

将要优化的功能： 年样本数=246.5

def get_portfolio_ann_risk（权重、资产回报率、年度样本）：
样本数据=len（资产每天返回）
cov\u矩阵=np.cov（资产每天返回，rowvar=False，ddof=0）
权重=np.数组（[权重]）
重量=np点（重量T，重量）
每日变量=np.和（权重矩阵*cov矩阵）*（样本数据/（样本数据-1））
每日风险=np.sqrt（每日风险值）
返回每日风险*np.sqrt（年内样本）

函数优化输入：

最小风险优化数据=（资产每天返回，样本每年）
资产重量最大值=1
资产重量最小值=0
界限=（（资产重量最小值，资产重量最大值），）*资产数量

制约因素：

两个约束选项=(
{'type'：'eq'，'fun'：lambda权重：0.5-np.max（权重）}，
{'type'：'eq'，'fun'：lambda权重：1.0-np.sum（权重）}
)

优化函数

two\u constraint\u opt=最小化（获取投资组合风险、市场权重、方法='SLSQP'，
args=最小风险优化数据，
约束=两个约束选项，
界限=界限，
选项={'maxiter'：250，'ftol'：1e-09}
)

这些约束中的每一个都是单独的，它可以很好地工作，我不能让它同时工作。 我相信，如果我能解决“更简单”的问题，我就能优化真正的问题

每个约束优化的结果都是正确的，两个约束问题的结果是默认使用的权重（初始猜测）

已解决： 显然，问题在于最初的猜测。它满足了以下要求：

{'type'：'eq'，'fun'：lambda权重：1.0-np.sum（权重）}

约束

我更改了初始猜测，使其不符合约束条件（将其乘以0.85），它的工作方式就像一个符咒

解决方案：

two\u constraint\u opt=minimize（获取投资组合风险，市场权重*0.85，方法='SLSQP'，
args=最小风险优化数据，
约束=con，
界限=界限，
选项={'maxiter'：250，'ftol'：1e-09}
)

max约束有问题。它是不可微的，因此违反了SLSQP的假设。违反了什么样的SLSQP假设？SLSQP期望光滑函数（比如两次连续可微）。此外，非凸性可能需要良好的起点。