我正在寻找一个合适的SciPy（或另一个Python库）算法来找到一个具有非常坚韧非线性约束的光滑函数（实际上是预算的总和）的全局最小值。
我已经尝试过全局优化算法，比如shgo和basinhopping，使用局部优化器，比如'trust-bands'，'COBYLA'或'SLSQP'，但总是失败。所有排除结果都是不适当的高值或非常接近我的x 0。例如，几十种预防措施之一：

def cons_J(x, *args):
        return np.ones(len(x))
    minimizer_kwargs = {'method': 'SLSQP',
                        'args': (reach, freq, DF_GROUP, MEMBER, days),
                        'constraints': cons_sqlsqp,
                        'tol': 0.01,
                        'options': {'maxiter': 15, 'disp':True},
                        'jac': cons_J}
    result = basinhopping(minimize_me_reach, x0=x0,
                  minimizer_kwargs=minimizer_kwargs,
                  niter=150, T=1500, stepsize=10000,
                  interval=40, disp=True,
                  niter_success=80, seed=350
                    )

也许超参数看起来太奇怪了，但我已经尝试了不同的设置，默认情况下也是如此。
现在有一个非线性约束，它定义为

cons_sqlsqp = ({'type': 'eq', 'fun': constr_reach})

但之后会有3个额外的限制。
那么，有什么合适的算法吗？