最小化（优化）Python中的特定特征值

我编写了一个简单的Python代码，可以从文件中读取数组。所有数组元素都包含基本代数运算（例如

y*w+2*（w+y）

）。这些元素被读入，然后使用

eval

命令对所有数组元素进行求值（我知道使用

eval

的安全性问题，但是这个脚本只会被我使用，我希望不会做傻事）

然后用这些阵列求解一般特征值问题，得到特征值和特征向量。我的问题是如何通过改变矩阵中的某些参数来最小化（优化）特定特征值？以下是一个基本示例：

import numpy as np
from scipy.linalg import eig

y=10
w=3.45

x = np.array([[y+w,-2],[-2,w-2*(w+y)]])

eigenVal,eigenVec=eig(x)

print eigenVal[0]

矩阵不是最好的例子，但只是一个极小的例子。其想法是改变两个参数y和w，以最小化特定特征值（例如，第一个特征值，

eigneval[0]

）。我以前在

C++

中写过一些基本的优化算法，但我想探索一下Python优化库。这些矩阵可能变得非常大，那么解决这个问题的最佳方法是什么

您想要使用

这个

复杂错误

令人担忧；您应该使用

bounds

参数或

constraints

参数。我不知道你的问题有什么限制，所以我跳过这部分。一个合适的约束是矩阵应该是，这保证了正的、实的特征值。但这是不可能的，因为矩阵中有一个常数

-2

您可以通过以下方式访问优化结果：

a = minimize(my_func, x0)
print(a.x)
# array([-63809761.27752077, -63997191.74550374])

看看这个：

a = minimize(my_func, x0)
print(a.x)
# array([-63809761.27752077, -63997191.74550374])