Numpy Scipy 的 optimize 函数在参数 x0 在边界内的情况下却抛出 ValueError 错误

在本文中，我们将介绍使用 Numpy Scipy 的 optimize 函数中出现 ValueError 错误的可能原因，以及解决方法。

假设我们使用 optimize.minimize 函数来寻找一个二次函数的最小值。我们可以设定初始值 x0 = 5，然后指定边界为 (-10, 10)：

import numpy as np
from scipy import optimize

def f(x):
    return (x - 2) ** 2

x0 = 5
bounds = ((-10, 10),)
res = optimize.minimize(f, x0, bounds=bounds)
print(res)

然而，以上代码会抛出如下的 ValueError 错误：

ValueError: Initial point x0 violates bound

这是因为 optimize 函数默认检查初始值 x0 是否在设定的边界内，如果不在，就会抛出以上错误。

那么，我们应该如何解决这个问题呢？

一种解决方法是，手动检查初始值 x0 是否在边界内，如果不在，则调整其值：

if x0 < bounds[0][0] or x0 > bounds[0][1]:
    x0 = np.random.uniform(*bounds)

这里，我们使用了 Numpy 的随机数函数 np.random.uniform 来生成一个在边界内的随机值。

另一种方法是将默认的约束条件改为等式约束：

constraints = optimize.LinearConstraint([(1,),], [bounds[0][0],], [bounds[0][1],])
res = optimize.minimize(f, x0, constraints=constraints)
print(res)

在这个例子中，我们使用 LinearConstraint 函数来创建一个等式约束，将 x 的上下限分别设为边界的最大值和最小值。

使用这两种方法中的任何一种都可以解决这个 ValueError 错误。

阅读更多：Numpy 教程

总结

Numpy Scipy 的 optimize 函数默认情况下会检查初始值 x0 是否在设定的边界内，如果不在，就会抛出 ValueError 错误。我们可以手动检查 x0 是否在边界内，或者将默认的约束条件改为等式约束来解决这个问题。