我正在尝试使用scipy.optimize函数来找到具有多个参数的复杂函数的全局最小值。scipy.optimize.minimize似乎做得最好，即“Nelder-Mead”方法。但是，它往往会进入参数域之外的区域（将负值分配给只能为正的参数），因此在这种情况下会返回错误。有没有办法限制函数本身的参数范围？scipy.optimize.minimize或者可能在其他scipy.optimize功能中？
我找到了以下建议：
当参数超出允许范围时，返回一个非常大的数字（远离要拟合的数据）。这将（希望）严重惩罚这种参数选择，从而
curve_fit将其他一些可接受的参数集确定为最优。
在上一个答案中给出，但在我的情况下，该过程将花费大量计算时间。
该minimize函数有一个bounds参数，可用于在使用 L-BFGS-B、TNC、COBYLA 或 SLSQP 方法时限制每个变量的界限。
例如，
import scipy.optimize as optimize
fun = lambda x: (x[0] - 1)**2 + (x[1] - 2.5)**2
res = optimize.minimize(fun, (2, 0), method='TNC', tol=1e-10)
print(res.x)
# [ 1. 2.49999999]
bnds = ((0.25, 0.75), (0, 2.0))
res = optimize.minimize(fun, (2, 0), method='TNC', bounds=bnds, tol=1e-10)
print(res.x)
# [ 0.75 2. ]
Nelder-Mead 求解器不支持约束优化，但还有其他几个支持。
TNC 和 L-BFGS-B 都只支持有界约束（例如x[0] >= 0），这对您的情况应该没问题。COBYLA 和 SLSQP 更加灵活，支持边界、等式和基于不等式的约束的任意组合。
您可以通过查看独立函数的文档来找到有关求解器的更多详细信息，scipy.optimize.fmin_slsqp例如method='SLSQP'.
您可以在此处查看我之前的答案，了解使用 SLSQP 进行约束优化的示例。
您正在寻找的论点是：constraints这是传递给scipy.minimize. 滚动您自己的 lambda 函数，该函数接收要约束的参数，如下所示：
#A function to define the space where scipy.minimize should
#confine its search:
def apply_sum_constraint(inputs):
#return value must come back as 0 to be accepted
#if return value is anything other than 0 it's rejected
#as not a valid answer.
total = 50.0 - np.sum(inputs)
return total
my_constraints = ({'type': 'eq', "fun": apply_sum_constraint })
result = spo.minimize(f,
guess,
method='SLSQP',
args=(a, b, c),
bounds=((-1.0, 1.0), (-1.0, 1.0)),
options={'disp': True},
constraints=my_constraints)
上面的示例断言，最后一个搜索项目附近的所有新候选者最好加起来为 50。更改该方法以定义允许的搜索空间，并且 scipy.minimize 函数在考虑这些答案时不会浪费任何能量。
我知道这是游戏后期，但也许看看mystic。您可以将任意 python 函数用作惩罚函数，或应用边界约束等等……在任何优化器上（包括来自 的算法scipy.optimize.fmin）。