Python 最接近初始猜测的scipy优化解

我正在尝试使用scipy.optimize.minimize来获得以下问题的解决方案：

假设我们得到f（x，y）=x+2*y，我们的初始猜测是（1,1）。我们想要解f（x，y）=0，但对于我的目标，任何能给我| f（x，y）|<容差的解都足够好了。很明显，有无限多的解，所以我的问题是：在optimize.minimize中是否有一个算法可以优先考虑最近的（欧氏距离）解？也就是说，我想象从初始猜测开始，在初始猜测周围搜索一个圆圈，如果没有解，半径会增加，但一旦它到达公差范围内的点，它就会返回该点

任何指点都将不胜感激

---

谢谢，

假设方程f（x，y）=0至少有一个解。然后，您可以将其表述为约束优化问题，以获得最接近给定初始猜测的解决方案：

from scipy.optimize import minimize
import numpy as np

# We want to minimize ||f(x)-xinit|| subject to f(x) = 0

f = lambda x: x[0] + 2*x[1]
# the euclidean norm of f-xinit
objfun = lambda x, xinit: np.sqrt(np.sum((f(x)-xinit)**2))

# initial guess
xinit = [1, 1]
# constraint f(x) = 0:
constr = {"type": "eq", "fun": f}
minimize(fun=objfun, args=(xinit,), x0=xinit, constraints=constr)

在方程f（x，y）=0没有解的情况下，您可以尝试在没有任何约束的情况下最小化| f（x，y）|