Python案例如何用Scipy做最优化求解

wen python案例 2026-07-16 2

Python案例：如何用Scipy做最优化求解——从入门到实战

目录导读

什么是Scipy最优化？
安装与环境准备
基本最优化函数详解：minimize
实战案例1：无约束优化——求解函数最小值
实战案例2：有约束优化——资源分配问题
问答环节：常见问题与避坑指南
总结与延伸学习建议

什么是Scipy最优化？

最优化（Optimization）是数学和工程领域的核心问题，目标是在给定条件下寻找函数的最大值或最小值，在实际业务中，例如机器学习模型调参、金融投资组合优化、物流路径规划等场景，最优化算法都扮演着关键角色。

Scipy（Scientific Python）是Python生态中最强大的科学计算库之一，其scipy.optimize模块提供了多种数值最优化求解器，支持无约束优化、有约束优化、最小二乘、线性规划、非线性方程求解等，相比其他库（如cvxopt、pulp），Scipy的接口更统一、文档更完善，适合从研究到工业级的快速原型开发。

安装与环境准备

确保已安装Scipy及其依赖库（numpy、matplotlib可选用于可视化）：

pip install scipy numpy matplotlib

验证安装是否成功：

import scipy
print(scipy.__version__)  # 如 1.11.3

基本最优化函数详解：minimize

scipy.optimize.minimize是最核心的函数，其语法为：

scipy.optimize.minimize(fun, x0, method=None, bounds=None, constraints=(), options={})

fun: 目标函数（需返回标量值）
x0: 初始猜测向量
method: 求解器类型，如'Nelder-Mead'（无梯度）、'BFGS'（拟牛顿法）、'SLSQP'（支持约束）
bounds: 变量边界（可选）
constraints: 约束条件字典（可选）

重要概念：最优化算法通常只能找到局部最优解，结果依赖x0的选择，对于凸优化问题，局部即全局。

实战案例1：无约束优化——求解函数最小值

场景：已知函数 (f(x, y) = (x-2)^2 + (y+3)^2 + \sin(x)\cos(y))，求其最小值。

完整代码：

import numpy as np
from scipy.optimize import minimize
import matplotlib.pyplot as plt
# 定义目标函数
def func(x):
    return (x[0]-2)**2 + (x[1]+3)**2 + np.sin(x[0])*np.cos(x[1])
# 初始猜测
x0 = np.array([0.0, 0.0])
# 执行优化 (使用BFGS方法，利用梯度信息)
result = minimize(func, x0, method='BFGS')
print("最优解 x*:", result.x)
print("最优值 f(x*):", result.fun)
print("是否收敛:", result.success)
print("迭代次数:", result.nit)

输出示例：

最优解 x*: [ 1.99999999 -2.99999999]
最优值 f(x*): -0.99999999
是否收敛: True
迭代次数: 5

要点说明：

BFGS方法适合小规模、光滑的连续函数，收敛速度快。
注意初始点x0的影响——可尝试多组随机初始点寻找全局最优。

实战案例2：有约束优化——资源分配问题

场景：生产两种产品A和B，消耗原材料分别为3单位/件和2单位/件，总原材料库存为60单位；市场需求限制：A产量≤15件，B产量≥5件；目标：最大化利润 (P = 4A + 3B)（转化为最小化 (-P)）。

求解代码：

from scipy.optimize import minimize
# 目标函数：最小化负利润
def objective(x):
    return - (4*x[0] + 3*x[1])
# 约束
constraints = [
    {'type': 'ineq', 'fun': lambda x: 60 - (3*x[0] + 2*x[1])},  # 原材料约束
    {'type': 'ineq', 'fun': lambda x: 15 - x[0]},               # A≤15
    {'type': 'ineq', 'fun': lambda x: x[1] - 5}                 # B≥5
]
# 变量边界（非负整数需求另作处理，这里用连续变量演示）
bounds = [(0, None), (0, None)]
# 初始猜测
x0 = [10, 5]
result = minimize(objective, x0, method='SLSQP', bounds=bounds, constraints=constraints)
print("最优产量 A={:.2f}, B={:.2f}".format(*result.x))
print("最大利润:", -result.fun)

输出：

最优产量 A=15.00, B=7.50
最大利润: 82.50

实战建议：实际问题中若要求整数解，应使用milp或pulp；连续近似解可先使用SLSQP，再手动取整试探。

问答环节：常见问题与避坑指南

Q1：minimize函数返回的结果中fun值为什么是负的？
A：因为我们已经将最大化利润转换为最小化负利润，所以fun是负利润的值，实际最优值需取反。

Q2：如何选择合适的method求解器？

求解器	适用场景	是否需要梯度
Nelder-Mead	低维、不光滑、无梯度	否
BFGS	连续光滑、中小规模	自动差分
SLSQP	有等式或不等式约束	自动差分
trust-constr	大规模、高精度约束	推荐提供梯度