最小化SymPy表达式时SciPy报错无法将表达式转换为浮点数如何解决

错误原因 #

调用scipy.optimize.minimize时传入的初始猜测值是SymPy定义的符号变量x，scipy优化接口要求初始值必须为数值类型，无法直接处理符号对象，因此触发了can't convert expression to float的类型转换错误。

额外说明：你当前定义的f是均值为p的正态分布概率密度函数，该函数不存在全局最小值（当x趋向±∞时函数值无限趋近于0），仅在x=p处取得全局最大值。如果你实际需求是求函数最大值，需要对目标函数取反后再做最小化。

解决方法 #

1. 基础报错修复（仅解决类型转换问题） #

将scipy_min的第二个参数替换为数值类型的初始猜测值即可：

import numpy as np
from sympy import *
from scipy.optimize import minimize as scipy_min

x = Symbol('x')
p = Symbol('p')
 
f = exp(-(x-p)**2/2)/sqrt(2*pi)

func = lambdify([x,p], f)
def func_np(x):
    return func(x,2.2)

# 初始值替换为数值，例如0
res = scipy_min(func_np, x0=0, method='Nelder-Mead', tol=1e-6)
print(res)

运行该代码会返回趋近于±∞的x值，符合该函数无全局最小值的特性。

2. 求函数最大值的修正方案 #

如果你的实际需求是找函数的最大值，只需修改目标函数返回值为原函数的相反数即可：

import numpy as np
from sympy import *
from scipy.optimize import minimize as scipy_min

x = Symbol('x')
p = Symbol('p')
 
f = exp(-(x-p)**2/2)/sqrt(2*pi)

func = lambdify([x,p], f)
def func_np(x):
    # 取反后最小化等价于原函数最大化
    return -func(x,2.2)

res = scipy_min(func_np, x0=0, method='Nelder-Mead', tol=1e-6)
print("最优x值：", res.x)

运行后返回的x值会非常接近2.2，和正态分布密度函数最大值在均值处的理论特性一致。

内容的提问来源于stack exchange，提问作者JohnDoe122