【Scipy优化使用教程】五、单变量函数最优化的快速求解

参考官网：Scipy.

很多时候我们只需要一个单变量函数（即一个以标量为输入的函数）的最小值。在这种情况下，有些方法可以更快的去进行优化。这些都可以从 minim_scalar函数中获得，它提出了几种算法。

无约束的最小化(method=‘brent’)

实际上，有两种方法可以用来最小化单变量函数：Brent和golden，但golden只是出于学术目的，很少使用。这两种方法可以通过minim_scalar中的方法参数分别选择。brent使用布伦特的算法来定位最小值。
示例如下：

from scipy.optimize import minimize_scalar
f = lambda x: (x - 2) * (x + 1)**2
res = minimize_scalar(f, method='brent')
print(res.x)

其结果为1

有界的最小化(method=‘bounded’)

比如在$x=5$的附近寻找$J_1(x)$的最小值。minimize_scalar可以将其限制在$[4,7]$之间，其结果为$x_{min}=5.3314$

from scipy.special import j1
from scipy.optimize import minimize_scalar
res = minimize_scalar(j1, bounds=(4, 7), method='bounded')
print(res.x)