常规的最优化算法很容易陷入局部极值点。basinhopping算法是一个寻找全局最优点的算法。

scipy.optimize.basinhopping(func, x0, niter=100, T=1.0, stepsize=0.5, 
  minimizer_kwargs=None,take_step=None, accept_test=None, callback=None, 
  interval=50, disp=False, niter_success=None)

• func：可调用函数。为待优化的目标函数。最开始的参数是待优化的自变量；后面的参数由minimizer_kwargs字典给出
• x0：一个向量，设定迭代的初始值
• niter：一个整数，指定迭代次数
• T：一个浮点数，设定了“温度”参数。
• stepsize：一个浮点数，指定了步长
• minimizer_kwargs：一个字典，给出了传递给scipy.optimize.minimize的额外的关键字参数。
• take_step：一个可调用对象，给出了游走策略
• accept_step：一个可调用对象，用于判断是否接受这一步
• callback：一个可调用对象，每当有一个极值点找到时，被调用
• interval：一个整数，指定stepsize被更新的频率
• disp：一个布尔值，如果为True，则打印状态信息
• niter_success：一个整数。Stop the run if the global minimum candidate remains the same for this number of iterations.

返回值：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 ，于是有：

 def fun(p):
    x,y=p.tolist()#p 为数组，形状为 (2,)
    return f(x,y)