AI 与工程数学 / 系统课时
用 SciPy 跑通第一个优化问题
用 SciPy 跑通第一个优化问题
这一课用一个二元无约束问题跑通最小闭环:把数学目标写成 Python 函数,交给 scipy.optimize.minimize 求解,再读取最优点、目标值与终止状态,并用断言确认结果可信。
学习目标
- 能把二元目标函数和初始点转换成
minimize可接受的输入 - 能选择一个基础求解方法并读懂
OptimizeResult的关键字段 - 能用终止状态与目标值完成最小结果验证
定义可直接求解的目标函数
考虑目标函数 。它没有约束,最小点显然在 ,最小值为 。选这个问题的目的不是挑战算法,而是让求解器输出可以被人工核对。
minimize 要求目标函数接收一个向量,并返回一个标量。初始点 x0 是数值算法开始迭代的位置,不是答案提示;对于更复杂的问题,初始点会影响收敛速度,甚至影响最终落在哪个局部最优点。
调用 minimize 并读取结果
下面示例假定环境已经安装 SciPy。这里使用 BFGS,它适合连续可微的无约束问题;没有显式提供梯度时,SciPy 会用数值方式近似梯度。
from scipy.optimize import minimize
def objective(v):
x, y = v
# 目标函数必须返回单个标量,求解器会反复调用它。
return (x - 3.0) ** 2 + (y + 1.0) ** 2
x0 = [0.0, 0.0]
result = minimize(objective, x0, method="BFGS")
# 将 NumPy 标量转成普通 float,使输出在不同 NumPy 版本下保持直观。
x_star = [round(float(v), 6) for v in result.x]
assert result.success
assert objective(result.x) < 1e-10
print("x* =", x_star)
print("f(x*) =", round(float(result.fun), 12))
print("success =", bool(result.success))
print("status =", int(result.status))预期输出
x* = [3.0, -1.0]
f(x*) = 0.0
success = True
status = 0浮点迭代的末位可能因 SciPy、NumPy 或平台版本略有差异,因此工程代码不要用字符串比较最优点,而应使用允许误差的数值判断。
读懂求解结果
minimize 返回 OptimizeResult。第一次使用时,先关注四个字段即可:result.x 是求得的变量向量,result.fun 是该点的目标函数值,result.success 表示求解器是否认为正常终止,result.status 是终止状态码。
不要只看 result.x。一个坐标看起来合理,并不代表求解过程真的成功;反过来,success=True 也不代表模型写对了。更稳妥的顺序是先检查终止状态,再检查目标值,最后结合业务约束或已知性质验证解。
把结果验证接回模型
这个例子已知理论最优点,所以可以直接检查 objective(result.x) < 1e-10。真实工程通常没有标准答案,此时至少应验证约束是否满足、目标值是否优于初始方案,以及轻微扰动最优点后目标值是否没有明显继续下降。
至此,一个最小优化闭环已经完整:数学目标 → Python 函数 → 初始点与算法 → 求解结果 → 数值验证。后续即使加入梯度、约束或更复杂算法,仍然是在扩展这条主线。