使用Sum时SymPy Lambda的性能优化问题

我目前面临这样一个优化问题：需要针对变量atilde、d和c，求解某个代价函数的最小值。其中y和vtilde都是经过变换处理后的观测值数组。

这里有个关键前提：这只是一个更大问题的简化解——原问题里还包含另外两个通过变换观测值引入的变量，所以我需要反复执行这个最小化操作，性能表现对我来说特别重要。

我已经用符号计算工具定义了相关变量，代码如下：

atilde, d, c, i, n, lamda = symbols('atilde d c i n lamda')
y = IndexedBase('y')
vtilde = IndexedBase('vtilde')
# 原代码中后续的代价函数定义（"te..."部分）未完整提供

从性能优化的角度，我也梳理了几个可行的方向供参考：

• 尽量用向量化运算替代循环逻辑，借助NumPy这类库的底层优化来提速
• 如果是用SymPy这类符号库定义的代价函数，建议先将其转换为数值表达式，再用SciPy的优化器（比如scipy.optimize.minimize）来执行迭代，比纯符号计算效率高很多
• 提前预计算好y和vtilde的变换结果，避免每次最小化迭代时重复做相同的变换操作
• 如果能确认代价函数是凸函数，优先选择专门的凸优化求解器，这类求解器通常收敛更快，迭代次数更少

内容的提问来源于stack exchange，提问作者Alex