Определение ограничений оптимизации: необходимость закрытия функции

Question

Я пытаюсь использовать scipy для решения нетривиальной оптимизации. У меня 6-мерная проблема. Функция, которую я пытаюсь оптимизировать, не является линейной.

Я думаю, что эту проблему нелинейной оптимизации можно решить с помощью scipy.optimize.minimize, см. https://docs.scipy.org/doc/scipy/reference/tutorial/optimize.html#constrained-minimization-of-multivariate-scalar-functions-minimize Документация показывает, что ограничения могут быть обработаны по одному:

cons = ({'type': 'eq',
     'fun' : lambda x: np.array([x[0]**3 - x[1]]),
     'jac' : lambda x: np.array([3.0*(x[0]**2.0), -1.0])},
    {'type': 'ineq',
     'fun' : lambda x: np.array([x[1] - 1]),
     'jac' : lambda x: np.array([0.0, 1.0])})

В моем случае мне нужно 12 ограничений: один максимум и одна минута для каждого измерения. Я также хочу что-то, что я мог бы обобщить на большее или меньшее количество измерений, поэтому я не хочу вводить все ограничения вручную. Предполагая, что мои минимумы и максимумы находятся в двух массивах. Если я использую цикл, такой как:

for i in range(6):
    grad_min = np.zeroes(6)
    grad_max = np.zeroes(6)
    grad_min[i] = +1.
    grad_max[i] = -1
    cons_min =  {'type': 'ineq',
        'fun' : lambda x: np.array([x[i] - min[i]),
        'jac' : lambda x : grad_min})
    cons_max =  {'type': 'ineq',
        'fun' : lambda x: np.array([-x[i] + max[i]),
        'jac' : lambda x : grad_max})
    cons = cons + (cons_min,cons_max)

Но из-за отсутствия закрытия функций lambda в Python это не получится, будет применена только последняя (i=5). Я ищу другой дизайн, где я могу определить все ограничения одновременно, мне нужно что-то использовать с замыканием ..