下载掌阅APP，畅读海量书库
立即打开
在做参数敏感性分析时，我们一般用的是穷举法（全部计算）或网格法（间隔计算），得到所有值后，通过排序、绘制热力图或3D表面图的方式筛选出合适的参数。我们需要的并不是最优值，而是综合考虑下的最合适的区间，它带有一定的主观因素。
而在函数求根、求最大值/最小值等问题中却有所不同，需要的是最优值，中间的结果并不重要，只要快速收敛到最优值即可。
为了最优化工具能正常运行，通常都需要对最优化问题做一定的调整以满足参数要求。求最大值问题要将函数取负数转换成求最小值问题。函数极值处的导数必为0，所以求最小值问题也可以转换成求导数函数的根。
优化时搜索的初始位置很重要，选择不当会导致只能找出局部最优。
我们以线性规划为例子，介绍linprog与minimize的用法。
1.linprog
（1）需要将求max调整成求min，即min-（7 x +5 y ）。
（2）只支持小于或等于，需要将≥调整成≤。
输出如下：
2.minimize
目标函数：min-（7 x +5 y ）。
约束条件分为两种：eq表示=0，ineq表示≥0。这里与linprog不同，约束条件也需要调整：
输出如下：
minimize是各种优化算法的统一入口，后面是交给了具体的算法来实现。对于无约束非线性优化算法常用BFGS算法。L-BFGS算法是BFGS的改进版，在高维度问题时占用的内存少，而L-BFGS-B算法可用于有界限问题。
更多细节可参考https://docs.scipy.org/doc/scipy/reference/optimize.html。
2.1.1节示例的线性函数无法演示BFGS，我们换成非线性函数。
BFGS算法：
L-BFGS-B算法：
SLSQP算法：
