Python scipy.optimize最小化不一致的结果

在运行scipy optimize的最小化函数时，我得到了一些非常奇怪的结果

这是密码

from scipy.optimize import minimize

def objective(x):
    return - (0.05 * x[0] ** 0.64 + 0.4 * x[1] ** 0.36)

def constraint(x):
    return x[0] + x[1] - 5000

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

跑步时

minimize(objective, [2500.0, 2500.0], method='SLSQP',  constraints=cons)

我得到x的每个元素的分配

2500

。 有

fun:-14.164036415985395

通过快速检查，此分配

[38001200]

给出

-14.9

它对初始条件也非常敏感

有没有想过我做错了什么

两种功能

更新 它实际上返回初始条件

如果我试试这个

def objective(x):
    return - (x[0] ** 0.64 + x[1] ** 0.36)

def constraint(x):
    return x[0] + x[1] - 5000.0

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

minimize(objective, [2500, 2500], method='SLSQP', constraints=cons)

---

返回的结果似乎很好（我已更改了目标函数）

FYI：在查看返回的参数（即

result.x

）之前，应首先检查

result.success

。这个值是真是假？@warren weckesser感谢你的评论。这两个问题都是成功=真实的：虽然一开始很奇怪（假设解算器将找到一个局部最优值，它应该找到），但看起来这不是一个凸最小化问题（不确定hessian），因此该解算器的保证不足以提供全局最优值。对于这样的小问题，像couenne这样的全球解决者应该会起作用。（一个问题有两个新标签；不确定是否有用）如果我将方法更改为

method='trust-constr'

，结果是

[3901.687987821098.31201218]

，这与我在目标函数图中看到的结果一致。我还没有研究过scipy最小值的细节@sascha的评论或许可以解释这个问题——这种行为可能是将SLSQP算法应用到它没有设计的问题上的结果。不过，如果可能的话，如果算法能够检测到出现了错误并引发异常，那就太好了。你能在上的一期中报告这个例子吗？我也使用了1.2.1。我没有尝试第二个例子。在第一个例子中，我忘记了我已经将初始猜测更改为[3000，2000]，所以它有点接近最小值。该调用已完成，没有错误或警告。如果我使用[2500，2500]作为初始猜测，我会得到一个警告：

[…]/\u hessian\u update\u strategy.py:187:UserWarning:delta\u grad==0.0。检查近似函数是否为线性函数。如果函数是线性的，则可以通过将Hessian函数定义为零而不是使用拟牛顿近似来获得更好的结果。

但答案仍然正确。