python 非线性规划（from scipy.optimize import minimize）

库方法介绍

官方文档：https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.minimize.html

方法的入参:
scipy.optimize.minimize(fun, x0, args=(), method=None, jac=None, hess=None, hessp=None, bounds=None, constraints=(), tol=None, callback=None, options=None)

fun:求最小值的目标函数

x0:变量的初始猜测值，如果有多个变量，需要给每个变量一个初始猜测值。

args:常数值，fun中没有数字，都以变量的形式表示，对于常数项，需要在这里给值

method:求极值的方法，官方文档给了很多种。一般使用默认。每种方法我理解是计算误差，反向传播的方式不同而已，这块有很大理论研究空间

constraints:约束条件，针对fun中为参数的部分进行约束限制

from scipy.optimize import minimize

# 计算 1/x+x 的最小值
def fun(x):
    return 1 / x[0] + x[0]

if __name__ == "__main__":
    x0 = 2 #初始猜测值
    res = minimize(fun, x0, method='SLSQP')
    print(res.fun)
    print(res.success)
    print(res.x)


“”“
执行结果
2.0000000815356342
True
[1.00028559]
“””

力扣：5463. 服务中心的最佳位置https://leetcode-cn.com/problems/best-position-for-a-service-centre/
一家快递公司希望在新城市建立新的服务中心。公司统计了该城市所有客户在二维地图上的坐标，并希望能够以此为依据为新的服务中心选址：使服务中心 到所有客户的欧几里得距离的总和最小 。
给你一个数组 positions ，其中 positions[i] = [xi, yi] 表示第 i 个客户在二维地图上的位置，返回到所有客户的 欧几里得距离的最小总和
提示：
1 <= positions.length <= 50
positions[i].length == 2
0 <= positions[i][0], positions[i][1] <= 100

from scipy.optimize import minimize
class Solution:
    def getMinDistSum(self, positions: List[List[int]]) -> float:
        def getSum(x):
            return sum(sqrt((x[0] - x1) ** 2 + (x[1] - y1) ** 2 ) for x1, y1 in positions)
        return minimize(getSum, [50,50]).fun

拓展

全局最优的函数： scipy.optimize.basinhopping
有一个缺点是无法设置约束，求全局的最优解的函数
官方文档：
https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.basinhopping.html