最近做的论文里面涉及到了数学规划，因此小小研究了一下，怎么用Python来实现一个数学规划，求函数最小值。这期博客主要会讲以下内容：

数学规划是什么

简单说：数学规划就是给定一些条件，求出使得目标函数最小（或最大）的参数。对于计算机不发达的年代，这种工作都是人做的，因而有好多好多不同的数学大佬，发明了许多不同的找最小值的方法。

然而，想写一个Python代码来求解数学规划问题，其实并不需要知道数学规划问题是什么，因为数学规划的算法已经以函数的形式打包好了，只需要调函数，就可以轻松求解数学规划问题。

不过你要是真的很想知道数学规划是什么，请看链接：

• https://baike.baidu.com/item/数学规划
• https://zhuanlan.zhihu.com/p/25064890

Python代码如何优雅的书写

前面已经提到，求最小值的过程可以在Python中轻松实现，Python的Scipy库实现了许多不同找最小值的方法。

参考: 官方文档.

举一个简单的例子：

res = minimize(minfunc,z,method='nelder-mead',options={'xtol' : 1e-8, 'disp' : True})

就可以完成一个找到最优解的过程，其中minfunc是目标函数，z是最后寻找的参数，method是所使用的方法，在这里使用的方法是nelder-mead

值得注意的是

• 这里的z一定千万要是一个一维向量，不可以是二维向量
• 虽然函数很好用，但是有时会报错超界，这时候可以对数据进行归一化，减小规模再进行计算

代码背后是什么原理

官方文档中给了一些参考资料来介绍nelder-mead方法，可以参考，比较易懂的资源是这两篇博客:

• scipy.optimize.minimize 的优化算法(1): Nelder–Mead Simplex
• Nelder–Mead算法详解

粗糙地来看，nelder-mead对于一个n维函数的最优化问题中会有n+1个候选者，不断地更新这n+1个候选者，最终得到最优解。每次迭代都会更新1次候选者，更新的方法有4种，分别是：

• reflection
• expansion
• contraction
• shrink

nelder-mead算法通过判断各种情况，来选择执行这4种操作的哪一种，具体细节可以看 Nelder–Mead算法详解这篇博客讲的比较清楚了，在这里不多说。