最终参数的SLSQP不确定性-最小化问题

如何解决最终参数的SLSQP不确定性-最小化问题

我正在使用SLSQP算法来解决多变量f的有界约束优化问题。优化成功终止。

我很想知道优化所提供的参数的不确定性：这可能来自传播的数值不确定性，也可能来自算法本身。

在我看来，正确的解决方案似乎不是在最佳点附近对函数本身进行近似，并使用包括Hessian的展开式：这是因为，根据我的理解，这些受约束的问题试图使Lagrangian最小化其中也包括约束。因此，函数在最佳点上的梯度可能不可忽略。

作为一个临时解决方案，我多次重新运行优化：然后分散就是相关的不确定性。该解决方案的问题在于，有时优化程序将花费很长时间才能找到解决方案，在某些情况下，它似乎无法收敛。

如何计算与不确定性相关的SLSQP参数？

出于好奇，是否有一种（也许是黑色的blox ？，像临时解决方案一样）的方法来获得一般优化算法的不确定性？

对于我的代码，我正在使用scipy实现https://docs.scipy.org/doc/scipy/reference/optimize.minimize-slsqp.html#optimize-minimize-slsqp

我检查了是否还有其他求解器，例如mystic，可以输出给我，但到目前为止没有运气。

谢谢。