不满足约束条件时，成功进行Scipy Optimize.minimize退出

Question

我一直在使用scipy.optimize.minimize （docs）当我定义一个无法满足约束的问题时，发现一些奇怪的行为。这是一个例子：from scipy import optimize# minimize f(x) = x^2 - 4xdef f(x):    return x**2 - 4*xdef x_constraint(x, sign, value):    return sign*(x - value)# subject to x >= 5 and x<=0 (not possible)constraints = []constraints.append({'type': 'ineq', 'fun': x_constraint, 'args': [1, 5]})constraints.append({'type': 'ineq', 'fun': x_constraint, 'args': [-1, 0]})optimize.minimize(f, x0=3, constraints=constraints)结果输出：fun: -3.0     jac: array([ 2.]) message: 'Optimization terminated successfully.'    nfev: 3     nit: 5    njev: 1  status: 0 success: True       x: array([ 3.])没有满足约束条件的解决方案，但是，使用初始条件作为最佳解决方案，minimum（）成功返回。这种行为是故意的吗？如果是这样，如果最佳解决方案不满足约束条件，是否有办法强制失败？

Answer 1

这似乎是一个错误。我在github上的问题上添加了带有您的示例变体的评论。

如果您使用其他方法（例如COBYLA），则该函数将无法正确找到解决方案：

In [10]: optimize.minimize(f, x0=3, constraints=constraints, method='COBYLA')

Out[10]: 

     fun: -3.75

   maxcv: 2.5

 message: 'Did not converge to a solution satisfying the constraints. See `maxcv` for magnitude of violation.'

    nfev: 7

  status: 4

 success: False

       x: array(2.5)