scipy.optimize.shgo永远不会完成，不遵守约束

Question

import pandas as pd
import numpy as np
from scipy.optimize import shgo

def my_function(w, *args):
    P = X @ w
    print(np.mean(P))
    print(w)

    return -np.mean(P)

file_path = "stock returns data of e.g. 10 companies.xlsx"

df = pd.ExcelFile(file_path).parse('Sheet1', header=6, index_col=0)
X = df.to_numpy()

cons = {'type': 'eq', 'fun': lambda w: 1 - np.sum(w)}
w0 = []
for i in range(df.shape[1]):
    w0.append(1 / df.shape[1])

b = (0, 1)
bnds = []
for i in range(df.shape[1]):
    bnds.append(b)

optimal = shgo(my_function, bounds=bnds, args=X, constraints=cons)

为了查看发生了什么，该脚本会在每次迭代中打印出值和权重。它尝试权重[0，0，0，0，0，0，0，0，0，0，0]和[1，1， 1，1，1，1，1，1，1，1]。为什么这样做呢？似乎在函数的所有边界都测试了值，即使它们不遵守约束。随着投资组合中资产数量的增加，这似乎使迭代次数几乎无限。