求函数最小值：

  scipy.optimize.minimize(fun, x0, args=(), method=None, jac=None, hess=None, 
  hessp=None, bounds=None, constraints=(), tol=None, callback=None, options=None)

• fun：可调用对象，待优化的函数。最开始的参数是待优化的自变量；后面的参数由args给出
• x0：自变量的初始迭代值
• args：一个元组，提供给fun的额外的参数
• method：一个字符串，指定了最优化算法。可以为：'Nelder-Mead'、'Powell'、'CG'、'BFGS'、'Newton-CG'、'L-BFGS-B'、'TNC'、'COBYLA'、'SLSQP'、 'dogleg'、'trust-ncg'
• jac：一个可调用对象（最开始的参数是待优化的自变量；后面的参数由args给出），雅可比矩阵。只在CG/BFGS/Newton-CG/L-BFGS-B/TNC/SLSQP/dogleg/trust-ncg算法中需要。如果jac是个布尔值且为True，则会假设fun会返回梯度；如果是个布尔值且为False，则雅可比矩阵会被自动推断（根据数值插值）。
• hess/hessp：可调用对象（最开始的参数是待优化的自变量；后面的参数由args给出），海森矩阵。只有Newton-CG/dogleg/trust-ncg算法中需要。二者只需要给出一个就可以，如果给出了hess，则忽略hessp。如果二者都未提供，则海森矩阵自动推断
• bounds：一个元组的序列，给定了每个自变量的取值范围。如果某个方向不限，则指定为None。每个范围都是一个(min,max)元组。
• constrants：一个字典或者字典的序列，给出了约束条件。只在COBYLA/SLSQP中使用。字典的键为：
  • type：给出了约束类型。如'eq'代表相等；'ineq'代表不等
  • fun：给出了约束函数
  • jac：给出了约束函数的雅可比矩阵（只用于SLSQP）
  • args：一个序列，给出了传递给fun和jac的额外的参数
• tol：指定收敛阈值
• options：一个字典，指定额外的条件。键为：
  • maxiter：一个整数，指定最大迭代次数
  • disp：一个布尔值。如果为True，则打印收敛信息
• callback：一个可调用对象，用于在每次迭代之后调用。调用参数为x_k，其中x_k为当前的参数向量

返回值：返回一个OptimizeResult对象。其重要属性为：

• x：最优解向量
• success：一个布尔值，表示是否优化成功
• message：描述了迭代终止的原因

假设我们要求解最小值的函数为：f(x,y)=(1-x)²+100(y-x²)² ，则雅可比矩阵为：

则海森矩阵为：

于是有：

  def fun(p):
    x,y=p.tolist()#p 为数组，形状为 (2,)
    return f(x,y)
  def jac(p):
    x,y=p.tolist()#p 为数组，形状为 (2,)
    return np.array([df/dx,df/dy])
  def hess(p):
    x,y=p.tolist()#p 为数组，形状为 (2,)
    return np.array([[ddf/dxx,ddf/dxdy],[ddf/dydx,ddf/dyy]])