在使用 `scipy.optimize` 进行含协方差矩阵参数的优化时，直接在约束中调用 `np.linalg.cholesky()` 易导致数值不稳定和收敛失败；应改用基于特征值的连续可微代理约束（如强制所有特征值 ≥ 0），配合 `minimize` 替代 `differential_evolution`，显著提升鲁棒性与收敛效率。
在参数估计任务中，当待优化变量包含一个协方差矩阵（var-covariance matrix）时，核心挑战在于：该矩阵必须是实对称且正定的（Positive Definite, PD）——这是其作为有效协方差矩阵的数学必要条件。若在优化过程中频繁尝试非正定矩阵，尤其在 differential_evolution 等全局算法中，约束检查常通过抛出 LinAlgError 实现，这会返回 inf 损失或无效约束值，导致大量无效采样、梯度信息缺失，最终引发收敛停滞（如长期 convergence=0.0）。
✅ 正确做法是：避免离散式“是否可行”判断（如 try/except + cholesky），转而采用连续、可微、数值友好的正定性代理指标。最常用且可靠的是 最小特征值（min(eigvals)） 或 全部特征值向量（eigvals(cov)），并将其作为非线性约束的输出，要求其 ≥ 0：
def positive_definite(params: np.ndarray) -> np.ndarray:
_, _, _, _, cov = unpack(params) # 解包得到协方差矩阵
return np.real(np.linalg.eigvals(cov)) # 返回所有实部特征值（确保数值稳定）然后传入 NonlinearConstraint，设定下界 lb=0（即所有特征值 ≥ 0）：
constraints = NonlinearConstraint(positive_definite, lb=0, ub=np.inf)
⚠️ 注意事项：
- 不要用 cholesky 做约束判据：它不连续、不可微，且对微小负特征值极度敏感（如 -1e-16 即报错），破坏优化器内部近似梯度计算；
- 优先选用 scipy.optimize.minimize 而非 differential_evolution：前者支持精确的非线性约束与梯度/雅可比信息（即使无解析梯度，也能用有限差分），更适合带结构化参数（如协方差矩阵）的问题；后者为无约束启发式算法，硬约束支持弱、效率低；
- 参数化设计要保证结构合理性：示例中采用 dev @ X @ dev 形式（dev 为对角标准差矩阵，X 为相关系数矩阵），既物理意义清晰，又便于边界控制（如 X 元素限于 [-1, 1]，dev 对角元 > 0）；
- 目标函数内仍需容错：尽管约束已保障正定性，likelihood 内部 cholesky 可保留 try/except 作为兜底（返回大惩罚值），防止极少数数值扰动导致崩溃；
- 初始点建议显式构造：如设 X = np.eye(n)、dev = np.diag([1., 0.5, ...])，确保起点严格满足约束，加速收敛。
该策略将“正定性”从一个布尔型硬开关转化为连续优化目标的一部分，使优化器能沿特征值平稳上升的方向搜索，大幅提升稳定性与成功率。实际测试表明，相同问题下，minimize + 特征值约束可在数十次迭代内收敛，而 differential_evolution + cholesky 约束常陷入数千步无进展状态。
