python中的conjugate函数_Python中的优化函数,python

https://blog.csdn.net/jiang425776024/article/details/87885969

官方文档：

https://docs.scipy.org/doc/scipy-0.18.1/reference/tutorial/optimize.html#constrained-minimization-of-multivariate-scalar-functions-minimize

scipy.optimize.minimize()的用法

函数形式：

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

参数介绍：

fun:目标函数, fun(x,*args)->float, x是一个一维数值shape(n,), args是一个tuple.

x0:初值。ndarray,shape(n,)

args:参数，tuple

method:优化方法，可选。如果缺失，将从 BFGS, L-BFGS-B, SLSQP中选择一个，根据这个问题是否有约束来决定。一般对于有约束的问题，常用SLSQP方法。可选的方法有：

‘Nelder-Mead’

‘Powell’

‘CG’

‘BFGS’

‘Newton-CG’

‘L-BFGS-B’

‘TNC’

‘COBYLA’

‘SLSQP’

‘trust-constr’

‘dogleg’

‘trust-ncg’

‘trust-exact’

‘trust-krylov’

custom - a callable object (added in version 0.14.0), see below for

description.

jac:雅可比矩阵，可选参考。但是对于这些方法： CG, BFGS, Newton-CG, L-BFGS-B, TNC, SLSQP, dogleg, trust-ncg, trust-krylov, trust-exact and trust-constr，是需要的。jac(x, *args) -> array_like, shape (n,)

hess:hessian矩阵，可选。但是对于 Newton-CG, dogleg, trust-ncg, trust-krylov, trust-exact and trust-constr，是必须的。hess(x, *args) -> {LinearOperator, spmatrix, array}, (n, n)

hessp:hessian*p矩阵，可选。但对于：Newton-CG, trust-ncg, trust-krylov, trust-constr，是需要的。如果有