这种限制

t[0] + t[1] = 1

将是一个等式（type='eq'）约束，其中您创建了一个必须等于零的函数：

def con(t):
    return t[0] + t[1] - 1

然后，你为你的约束创建一个dict（如果有多个dicts，就列出一个dicts）：

cons = {'type':'eq', 'fun': con}

我从未尝试过，但我相信要保持t真实的，您可以用途：

con_real(t):
    return np.sum(np.iscomplex(t))

并使您的cons包含两个约束：

cons = [{'type':'eq', 'fun': con},
        {'type':'eq', 'fun': con_real}]

然后将cons输入minimize，如下所示：

scipy.optimize.minimize(func, x0, constraints=cons)

你可以构造一个scipy.optimize.LinearConstraint对象并将其作为约束传递，而不是编写一个自定义约束函数。而且，自变量的向量必须具有与传递到目标函数的变量长度相同的长度，因此诸如t[0] + t[1] = 1的约束应当被重新表达为如下（因为t的长度为4，这可以从其在matr_t()中的操作看出）：

而且minimize在真实的空间上进行优化，因此t[i]为实数的限制已经嵌入到算法中。

import numpy as np
from scipy.optimize import minimize, LinearConstraint

def matr_t(t):
    return np.array([[t[0], 0],[t[2]+complex(0,1)*t[3], t[1]]]

def target(t):
    arr2 = matr_t(t)
    ret = 0
    for i, v1 in enumerate(arr):
          for j, v2 in enumerate(v1):
               ret += abs(arr[i][j]-arr2[i][j])**2
    return ret

arr = np.array([[0.8, 0.2],[-0.1, 0.14]])
linear_constraint = LinearConstraint([[1, 1, 0, 0]], [1], [1])
result = minimize(target, x0=[0.5, 0.5, 0, 0], constraints=[linear_constraint])

x_opt = result.x            # array([ 0.83,  0.17, -0.1 , 0.])
minimum = result.fun        # 0.0418