如何找到使给定向量输入的四参数标量函数最小化的y0与y1？

你的函数f本质是线性最小二乘问题——目标函数是关于y0和y1的二次凸函数，存在唯一的全局最小值。下面提供两种最优实现方式，其中解析解是效率最高的，数值优化则更通用（适合扩展到更复杂的场景）。

方法一：解析解（最直接高效） #

因为目标函数是平方和形式，我们可以通过求导并令偏导数为0，推导得到y0和y1的闭式解，不需要迭代计算，速度最快。

推导过程 #

先定义残差项：d_i = y_[i] - y[i]，那么函数f可以改写为：

f(y0, y1) = sum( (d_i + y0 + y1 * i)² )

对y0和y1分别求偏导并令其等于0，得到方程组：

1. sum(d_i) + n*y0 + y1*sum(i) = 0（n是向量长度）
2. sum(d_i*i) + y0*sum(i) + y1*sum(i²) = 0

解这个二元一次方程组，就能得到最优的y0和y1。

代码实现 #

import numpy as np

def f(y_, y, y0, y1):
    xy1 = [i*y1 for i in range(len(y_))]
    diff = [(y_[i] + y0 + xy1[i] - y[i])**2 for i in range(len(y_))]
    return sum(diff)

# 给定输入
y_ = [x**2 + 1.4 for x in range(-10,11,1)]
y = [x**2 + 1. for x in range(-10,11,1)]
n = len(y_)

# 计算所需的各项求和
d = np.array(y_) - np.array(y)
sum_d = np.sum(d)
sum_i = np.sum(range(n))
sum_i2 = np.sum([i**2 for i in range(n)])
sum_di = np.sum(d * np.arange(n))

# 解二元一次方程组：a*y0 + b*y1 = c; d*y0 + e*y1 = f
a = n
b = sum_i
c = -sum_d
d_coeff = sum_i
e = sum_i2
f_coeff = -sum_di

# 计算行列式
det = a*e - b*d_coeff
y0_opt = (c*e - b*f_coeff) / det
y1_opt = (a*f_coeff - c*d_coeff) / det

print(f"最优y0: {y0_opt}, 最优y1: {y1_opt}")
print(f"最小函数值: {f(y_, y, y0_opt, y1_opt)}")

运行结果会显示y0_opt约为-0.4，y1_opt约为0——因为你的d_i都是0.4（看给定的y_和y的差值，每个元素都是0.4），所以最优解就是让y0 + y1*i = -0.4，此时每个残差都是0，函数值为0，完全符合预期。

方法二：数值优化（通用型） #

如果后续你的函数变得更复杂（比如非线性），可以用Python的scipy.optimize.minimize来求解，它支持多种优化算法，对于这个线性问题也能快速收敛到最优解。

代码实现 #

from scipy.optimize import minimize

# 定义目标函数（只接受y0,y1作为参数，固定y_和y）
def objective(params):
    y0, y1 = params
    return f(y_, y, y0, y1)

# 初始猜测值
initial_guess = [0, 0]

# 求解优化问题
result = minimize(objective, initial_guess)

print(f"最优y0: {result.x[0]}, 最优y1: {result.x[1]}")
print(f"最小函数值: {result.fun}")

这个方法会得到和解析解完全一致的结果，而且不需要手动推导公式，适合快速验证或处理复杂函数。

总结 #

• 如果你的函数始终是这种线性平方和形式，解析解是最优选择——计算速度最快，结果精确，没有迭代误差。
• 如果函数可能扩展为非线性形式，数值优化更通用，只需要定义目标函数即可求解。

内容的提问来源于stack exchange，提问作者Capo Mestre