Python scipy优化未找到最小值

Question

尝试使用scipy.optimize.minimize，看起来优化失败。我做了以下：
1的目标函数是：f(x)= x[0]+x[1]+x[2]+x[3]+10
2.约束为：x_i >= 0
3.最初的猜测是：x0 = [1,1,1,1]
很琐碎的问题，用最佳的解决方案x=[0,0,0,0], f(x)=10。
代码：

def pos(x): 
    return min(x) 
def f1(p): 
    return (p[0] + p[1] + p[2] +p[3] + 10) 
cons2 = ({'type' : 'ineq', 'fun' : pos}) 
x0 = np.array([1,1,1,1]) 
res = opt.minimize(f1, x0,method='SLSQP',constraints=cons2) 

我得到以下结果：

fun: 100543626.59510386 
jac: array([ 0., 0., 0., 0., 0.]) 
message: 'Optimization terminated successfully.' 
nfev: 54 
nit: 9 
njev: 9 
status: 0 
success: True 
    x: array([ 24128556.46553156, 24130378.42917114, 28154390.61929696, 
    24130291.0811042 ]) 

这显然是错误的答案（但成功的标志是真实的）。
我知道有一些假设“f”必须遵循，但在这种情况下，“f”只是一个超平面，所以我非常困惑。有任何想法吗？

Answer 1

替换

def pos(x): 
    return min(x) 

与

def pos(x): 
    return x 

（不等式约束函数可以返回的载体;该载体的每个组件必须满足约束。）

两种制剂似乎数学相当于，但有关您的版本的内容会打破计算。这可能是因为SLSQP算法假定约束函数是可微分的，并且min(x)是不可微分的。