带正约束的最小化返回零参数

如何解决带正约束的最小化返回零参数

我正在使用 scipy.optimize.minimize 来最小化具有 l2 范数约束和对计算参数的非负约束的函数（一些相关链接 1、2、{{ 3}})。更具体地说，我已经尝试过

con = ({'type': 'ineq','fun': lambda x: x},{'type': 'eq','fun': lambda x: np.dot(x.T,x) - 1})

或

con = {'type': 'eq',x) - 1}
bounds = [(0.,None)] * n_features

使用方法 SLSQP。如果不使用正约束，算法的准确性很好。然而，当使用正约束时，大多数计算参数 x 变为零并且算法返回低准确度。为了避免这种情况，我尝试了不同的初始化，例如，非负 x0，l2 范数等于 1，x0 值接近于零，x0 值接近于1 但没有帮助。任何改进算法功能的建议都非常感谢。

EDIT：可以在 3 中找到一个正在运行的示例。