python实例 优化目标函数_python scipy optimize.minimize用法及代码示例

最小化一个或多个变量的标量函数。

参数：

fun：callable目标函数要最小化。

fun(x, *args) -> float

其中x是具有(n，)形状的一维数组，而args是完全指定函数所需的固定参数的元组。

x0：ndarray, shape (n,)初步猜测。大小为(n，)的实数元素的数组，其中‘n’是自变量的数量。

args：tuple, 可选参数额外的参数传递给目标函数及其派生函数(fun，jac和hess函数)。

method：str 或 callable, 可选参数求解器类型。应该是其中之一

‘Nelder-Mead’ (see here)

‘Newton-CG’ (see here)

‘L-BFGS-B’ (see here)

‘trust-constr’(see here)

‘trust-ncg’ (see here)

‘trust-exact’ (see here)

‘trust-krylov’ (see here)

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

see below for description.

如果未给出，则选择为以下之一BFGS，L-BFGS-B，SLSQP，取决于问题是否具有约束或界限。

jac：{callable, ‘2-point’, ‘3-point’, ‘cs’, bool}, 可选参数梯度矢量的计算方法。仅适用于CG，BFGS，Newton-CG，L-BFGS-B，TNC，SLSQP，dogleg，trust-ncg，trust-krylov，trust-exact和trust-constr。如果它是可调用的，则应该是一个返回梯度向量的函数：

jac(x, *args) -> array_like, shape (n,)

其中x是具有形状(n，)的数组，而args是具有固定参数的元组。或者，关键字{“ 2点”，“ 3点”，‘cs’}选择用于梯度的数字估计的有限差分方案。选项“ 3点”和‘cs’仅对“ trust-constr”可用。如果jac是布尔值且为True，则假定fun与目标函数一起返回梯度。如果为False，则将使用“两点”有限差分估算来估算梯度。

hess：{callable, ‘2-point’, ‘3-point’, ‘cs’, HessianUpdateStrategy}, 可选参数计算黑森州矩阵的方法。仅适用于Newton-CG，狗腿，trust-ncg，trust-krylov，trust-exact和trust-constr。如果可调用，则应返回黑森州矩阵：

hess(x, *args) -> {LinearOperator, spmatrix, array}, (n, n)

其中x是(n，)ndarray，而args是具有固定参数的元组。只有“ trust-constr”方法才允许使用LinearOperator和稀疏矩阵返回。另外，关键字{“ 2点”，“ 3点”，‘cs’}选择用于数字估计的有限差分方案。或者，对象实现HessianUpdateStrategy界面可用于近似Hessian。实现此接口的可用quasi-Newton方法是：

每当通过finite-differences估算坡度时，就无法使用选项{'2-point'，'3-point'，‘cs’}估算Hessian，而需要使用quasi-Newton策略之一估算。 Finite-difference选项{“ 2点”，“ 3点”，‘cs’}和HessianUpdateStrategy仅适用于“ trust-constr”方法。

hessp：callable, 可选参数目标函数的Hessian乘以任意向量p。仅适用于Newton-CG，trust-ncg，trust-krylov，trust-c