Python 用Scipy最小化数据线性组合的函数

假设我有一些矩阵X，其中每一行代表一个时间序列。例如，X可以是大小为3 X 1000的矩阵，这意味着有3个时间序列，每个时间序列由1000个时间点组成。除了X，X中的每个时间序列都有一个标量。我想找到一个线性组合

a[0]*X[0，：]+a[1]*X[1，：]+…+a[n-1]*X[n-1，：]

具有某个函数F的最小值

因此，我尝试了以下方法

import numpy as np
from scipy.optimization import minimize
def f(x):
    return 0 # for testing purposes
def obj(a,x):
    y = a*x
    return f(y)
minimize(obj, np.array([1,1]), args=np.array([[1,1],[2,2]]), method='nelder-mead')

所以第二个参数是初始猜测x0（系数a）。args给出的数据应该映射到x（如果我理解正确的话），并在优化过程中保持不变

然而，我得到了错误

ValueError: setting an array element with a sequence.

我想我的问题很普遍，所以我希望有人能帮我

像这样的

import scipy.optimize as opt

def f(val):
    return val**2

def obj(a, series):
    s = 0
    for row in series:
        for t in range(len(row)):
            s += f(a[t] * row[t])
    return s

ll_x = [[2, 3, 2, 6], [3, 5, 2, 7]]  # 2 series
l_a = [1 for _ in ll_x[0]]  # initial coeffs.

res = opt.minimize(obj, l_a, args=ll_x, method='nelder-mead')

for elem in sorted(res.items()):
    print(*elem)

---

（适用于Python 3.4.3）

在哪里定义

f

？我在这里省略了它。它返回一个标量值。我相信这个问题在某种程度上与传递最小化的参数有关，但我不知道出了什么问题。a不是这样工作的。定义f（x）：返回0进行测试？抱歉，我不知道发布的要求这里的要点是：我们很难找出问题所在，因为我们看不到到底是什么代码产生了错误。一个好的问题是尽量将错误减少到最小数量的代码，这些代码可以复制错误，也可以由其他人运行。