我有兴趣找到模型的优化参数（通过使用已知值最小化模型的输出）。我感兴趣的参数有界限，它们也受到1 - sum(x_par) >= 0不等式的约束，其中x_par是总参数列表中某些参数的列表。我使用scipy.optimize.minimize来使用不同的方法（例如COBYLA和SLSQP）来最小化此问题，但此函数的拟合性能非常差，误差通常高于50％。
我注意到scipy.optimize.curve_fit和scipy.optimize.differential_evolution在拟合给定值方面效果很好，但这些函数不允许对参数进行约束。我正在寻找python中的替代方案来优化我的问题，允许约束参数，并且可以更好地拟合给定的曲线/值而不是scipy.optimize.minimize。
答案 0 :(得分：1)
您可能会发现lmfit有用。这个模块是许多scipy.optimized例程（包括leastsq，differential_evolution，大多数缩放器最小化器）的包装器，用Parameter个可以修复或自由的对象替换所有变量，应用边界或被约束为其他参数的数学表达式，所有这些都与用于解决最小化问题的方法无关。还有一个Model类来支持许多曲线拟合问题，并支持改进的参数置信区间分析。
小心谨慎，可以应用不等式约束，如下所述 http://lmfit.github.io/lmfit-py/constraints.html#using-inequality-constraints。