Python 最终参数的SLSQP不确定性-最小化问题

我使用SLSQP算法来解决一个有界的约束优化问题，一个多元函数f。优化成功终止

我很想知道优化给出的参数的不确定性：这可能来自传播的数值不确定性，也可能来自算法本身

在我看来，正确的解决方案似乎不是在最佳点附近，用包含Hessian的展开式来近似函数本身：这是因为，根据我的理解，这些约束问题试图最小化包含约束的拉格朗日函数。因此，函数在最佳点的梯度可以是不可负的

作为一个临时解决方案，我只是多次重新运行优化：然后分散就是相关的不确定性。这个解决方案的问题是，有时候优化器需要很长时间才能找到一个解决方案，在少数情况下，它似乎不会收敛

如何计算与不确定性相关的SLSQP参数？

好奇的是，对于一般的优化算法，有没有一种（可能是黑色斑点？，像临时解决方案一样）获得这种不确定性的方法

对于我的代码，我使用的是scipy实现

我检查了是否有其他解算器，如mystic，可以输出我这个，但目前为止没有运气

提前谢谢